基准将聊天、代码仓库与持续演化的项目决策结合，测试智能体完成真实知识工作。
推荐理由：基准把答案所需证据分散在频道、私信和真实代码中，迫使智能体恢复协作上下文；这比单任务代码题更接近企业代理的实际失效面。
阅读原文