Agent 到底凭什么说
“完成了”

tau-bench、AppWorld 和 OSWorld 把完成落到数据库、文件或桌面状态； AppWorld 还检查允许集合之外是否出现额外变化。Procedure-Aware Evaluation 又证明，状态成功仍可能绕过必要确认和策略。

这些比例来自不同子集，不能直接互比。结论不是“形式化一切”，而是系统只能在 证据覆盖范围内声称完成；开放任务需要保留 AMBIGUOUS 和 UNVERIFIABLE。

DynamicMCPBench 的 126 次 live 重放中，只有 36% 返回完全相同，33% 漂移， 32% 已损坏。AgentLens 的 provider 工具参数解析故障，也会被误读成模型能力差。

因此每个结果都要携带模型版本、prompt、工具、环境快照、validator、预算和种子。 没有 manifest，跨版本分数没有稳定含义。

AgentRewardBench 给出了 precision/recall 对照；AJ-Bench 中让 judge 使用工具 虽然明显改善判断，不同任务域 false-positive rate 仍为 8.77%-56.60%。 AgentLens 的两个 judge 在 23% 比较上选择不同赢家。

LLM judge 可以处理规则未覆盖的语义等价，也可以提出异常；它不应单独把一个 确定性失败降级为成功。

RECEIPT 的消融说明，关键变化来自浏览器判决、隔离、可重放 PoC 和角色分离， 不是让 judge 再思考一轮。

这是单模型、白盒 XSS 和特定 harness 的结果，不能当通用精度保证；它支持的是 分权原则，而不是那组绝对分数。

AppWorld 用状态测试允许多个合法实现；DynamicMCPBench 采用 path-agnostic effect scoring，并发现 reference answer 完全正确的比例只有 79%。 ToolSandbox 则用 milestone DAG 与 minefield 同时保留弹性和禁止动作。

Hell or High Water 保证存在短替代路径，模型仍下降约 22-30 个成功率点。 R2Act 中根因服务定位可达 91.4%-99.7%，恢复动作有效率却只有 36.8%-60.3%。

AgentDebugX 的 GAIA 对照比较的是完整 recipe，且可见参考答案，不能把全部增益 归因于定位方法。

CodeRescue 的固定 reflect / replan / escalate 恢复率分别为 27.5% / 45.3% / 68.6%，学习 router 为 81.7%。可恢复失败中， 28% 只能由便宜策略解决，45% 只能升级解决，27% 两者均可。

这是代码任务、特定模型和单次路由结果；它支持“策略依赖状态”， 不证明该 router 可以直接进入生产。

VRR-Stop 的巨大差值来自刻意制造的 verifier/repair mismatch，不能解释成一般收益。 但 Reflexion、CRITIC 和 AgentLTL 也分别观察到无测试反思、错误修改和强制终止回归。

停止条件至少要问：有没有新独立证据、失败类型是否变化、状态是否改善、 下一步是否可逆、预期收益是否仍大于成本和风险。