使用 Incognita 评估社会分布式任务环境中的生成式智能体

论文提出基于 Concordia 的 Incognita 评估框架，将社会交互与确定性环境执行分离：智能体需从用户或专业实体处获取分散知识，再通过实体执行受限操作。基于 tau-bench Retail 的 540 次试验显示，成功率由0%提升至8.9%和17.2%，但可靠性仍然很低。