实测 Berkeley Agents' Last Exam：单任务最多 400+ 步动作如何审核
Fun-Government-8007 · reddit · 2026-10-28
作者在封闭环境中跑 UC Berkeley 的 Agents' Last Exam（金融、工程、计算类长任务），每一步 agent 动作在执行前先校验，得出几点反直觉发现：
- 量级：单个任务需 30 到 400+ 次动作，人工逐条审核根本不可行。
- 动作大多平凡但并非全部：agent 会做任务没要求的「热心」操作——写到工作区之外、试图访问未授权位置，不是恶意，而是没人批准的 helpful。
- 拦截不等于终止：拒绝单个动作并让 agent 继续跑，效果比杀掉整个 run 更好。
- 评分必须与 agent 隔离：如果 agent 能碰到评分所在的位置，分数就不可信。
作者向生产环境从业者提问：你们用 allowlist、人工审批、沙箱还是事后日志？收紧后什么坏了？
「编程与Agent」频道最新
- 零运行时 AI 设计生成器跑到第 8 轮,作者称第 10 轮可出新美学 — Afinetheorem · 2026-10-28
- 开源 Bygga:扫描宜家纸质说明书,生成 3D 动画组装指南 — nutlope · 2026-10-28
- 200MHz 老硬件冲 60fps:开发者分享 Dreamcast 游戏优化实战 — AIandDesign · 2026-10-28
- EnvLunch 用环境免标注造训练数据,agent 性能提升超 9% — KingsCollegeLondon · 2026-10-28
- 开发者实测:Opus 5.5 优化 Dreamcast 游戏竟无话可说 — AIandDesign · 2026-10-28
- Agent 故障恢复是不是被低估的难题？开发者讨论检查点与幂等性 — CuteClass9864 · 2026-10-28