待验证50% 置信观点精确时间
传统Agent benchmark的核心指标是任务成功率，较少记录智能体执行过程中对中间人、工具或协作方说了什么、做了什么。
1
来源数
50%
置信度
长期有效
时效性
2026/10/27
首次发现
来源
43国AI战争游戏：测出你的Agent会不会背叛盟友
redditr/LangChain2026/10/27
涉及实体
相关事实
待验证工具描述的精确程度直接决定Agent的任务执行成功率，模糊或歧义的描述是导致工具误调用最常见的根本原因74% 相似待验证当Agent判断不再需要工具时，本质是认为现有信息已足够完成任务；若此时输出结果不理想，可通过更换能力更强的模型来解决73% 相似待验证Agentic基准采用端到端任务完成率而非单步正确率作为核心指标73% 相似待验证评估Agent的难点在于其行为是序列化的、路径不唯一，需要从任务完成率、动作正确性、步骤效率、安全性等维度进行综合评分，常借助轨迹评估和端到端任务成功率来衡量。73% 相似待验证当Agent拥有工具、记忆和跨会话状态时，安全性必须放到完整轨迹和终态上衡量，单轮安全指标是必要但不充分的72% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1102515API
curl https://kongchang.com/api/v1/knowledge/claims/1102515MCP
get_claim(id=1102515)