Aug 29, 2026 13 min read τ-bench 精读:不只问 agent “会不会做”,还问“每次都能做对吗” 同时模拟用户、领域政策和数据库终态,并用 pass^k 衡量重复执行的可靠性。 aillmagentpaper-readingtool-useuser-interaction