研究揭示工具使用智能体在证据到行动链条中的失败模式

研究分析工具使用智能体在从证据到行动链条中的失败模式，发现即使静态评估表现强，交互执行仍可能弱，尤其在多步工作流中存在未解决前提和执行不完整问题。研究引入 SafeActBench 基准，包含 656 个案例，覆盖六类操作领域和五种协议，通过证据日志和确定性轨迹评估器追踪信息建立、动作发生及依赖满足情况，指出失败不仅源于信息缺失，也源于对已有证据的使用方式。