UndoBench：区分工具调用 AI 智能体的任务能力与故障恢复能力

UndoBench 是一个覆盖 8 个企业领域、36 个基础工作流与 36 个故障场景的基准，通过同种子反事实配对试验，将任务能力与恢复能力解耦。在 12 个留出测试工作流、5,760 次执行（2,880 对配对试验）中，名义任务能力达 83.54%，但条件恢复成功率（CRSR）仅 46.72%，朴素重试在 53.33% 的试验中产生重复外部副作用。