TAU-bench（工具代理基准）

TAU-bench 模拟客服/零售业务：Agent 扮演后台助手，面对一个由「模拟用户」驱动的对话。用户诉求常模糊、会改主意、会提供矛盾信息，Agent 必须通过调用工具（查订单、改地址、退款）与系统交互来推进，不能凭空答复。

它重点考察：工具调用的正确性（参数、时机）、对异常的处理（库存不足、权限不够时的应对）、以及在不确定时主动澄清而非臆测。模拟用户会故意制造歧义，测试 Agent 是否鲁莽行动。

真实业务 Agent 面对的正是「不确定的用户 + 有状态的后台系统」。TAU-bench 把这抽象成可复现基准，比纯问答更贴近企业部署场景，因而成为衡量生产级可靠性的重要标尺。

TAU-bench 类「业务交互基准」将扩充更多行业（金融、医疗、IT 运维），并引入成本与用户满意度联合评分，成为企业选型 Agent 的实用参考。