榜debug不出真实运维：235名滞留旅客案例揭示Agent瓶颈是信任而非智能

_AustinCalvert_ · x · 2026-11-08

作者 Chad Wahl 指出，公开基准测试（如 Humanities Last Exam）只能告诉你哪个模型考试赢，却无法回答真实场景问题——他用纽瓦克机场（EWR）地面停飞后把 235 名滞留旅客送回家的案例说明：关键流程要跨多个 agent（机组恢复、改签、登机口调度），每个都有不同的失败方式和成功定义。

他批评大多数「agent」只是模型+工具+while 循环：现实中工具调用会失败、新的地面延误会在执行中途出现、需要人工审批、出事时还要搞清到底发生了什么——这些不是边缘案例，而是世界的常态（分布式、并发、易失败）。核心论点：瓶颈不是智能，而是信任；公开基准是静态的，你的业务不是，只有你自己能填上那些行。