从证据到行动：工具调用智能体为何失败

研究揭示工具调用智能体在从证据到行动的链条上存在断裂：在十种模型-框架配置中，静态动作判断能力强，但交互式执行明显偏弱。失败常始于执行前，智能体调查不完整或证据未建立就行动；单动作执行通常可靠，多动作工作流则暴露未解决的前置条件和执行不完整问题。为此研究提出 SafeActBench，涵盖六大领域、五种协议的 656 个案例，并用证据账本与轨迹评估器追踪信息建立与依赖满足情况。