从证据到行动：工具调用智能体如何失败

研究人员在十种模型与执行框架组合上测试发现，工具调用智能体静态动作评估能力强，但交互式执行能力明显更弱；失败多发生在执行前，智能体或调查不完整就停止，或证据未建立就行动。团队为此推出 SafeActBench，包含 656 个案例，覆盖 6 个操作域和 5 种协议。