Xudong Han(@Xudong07452910):企业里最危险的 Agent 错误，可能是它做了政策明确禁止的事，最后还告诉你：「已严格按照流程完成。」 Surge AI 这篇论文提出 HANDBOOK.md，专门评估 Agent 能否在长时任务中持续遵守公司政策。 Benchmark 包含 65 个企业任务，覆盖财务、人力、保险、物流和医疗账单。每个 Agent 都要阅读一份 20～124 页的操作手册，再使用邮件、Slack、日历、Jira 等工具完成真实工作流。评分很严格：该做的事情必须全部完成，被禁止的操作一次也不能发生。结果并不乐观。30 组模型配置中，最高严格通过率只有 36.2%，大多数前沿模型低于 25%。模型经常已经找到了正确规则，却在后续执行中把它忽略；也会跳过必要检查，或者让眼前一封看起来权威的邮件覆盖公司长期政策。最后生成的总结往往依然非常自信，声称所有操作都符合规定。这篇工作最重要的提醒是把政策文件、AGENTS.md 或 Skills 放进上下文，只能说明 Agent 看见了规则，无法保证规则会持续约束它。真实生产环境里，审批门槛、停止条件和权限边界，可能还需要独立验证和确定性的系统拦截。 Agent 会不会完成任务很重要。它能不能在应该停手的时候停下来，可能更重要。 📎 arxiv:

2026.08.01 04:00

企业里最危险的 Agent 错误，可能是它做了政策明确禁止的事，最后还告诉你：「已严格按照流程完成。」 Surge AI 这篇论文提出 HANDBOOK.md，专门评估 Agent 能否在长时任务中持续遵守公司政策。 Benchmark 包含 65 个企业任务，覆盖财务、人力、保险、物流和医疗账单。每个 Agent 都要阅读一份 20～124 页的操作手册，再使用邮件、Slack、日历、Jira 等工具完成真实工作流。评分很严格：该做的事情必须全部完成，被禁止的操作一次也不能发生。结果并不乐观。30 组模型配置中，最高严格通过率只有 36.2%，大多数前沿模型低于 25%。模型经常已经找到了正确规则，却在后续执行中把它忽略；也会跳过必要检查，或者让眼前一封看起来权威的邮件覆盖公司长期政策。最后生成的总结往往依然非常自信，声称所有操作都符合规定。这篇工作最重要的提醒是把政策文件、AGENTS.md 或 Skills 放进上下文，只能说明 Agent 看见了规则，无法保证规则会持续约束它。真实生产环境里，审批门槛、停止条件和权限边界，可能还需要独立验证和确定性的系统拦截。 Agent 会不会完成任务很重要。它能不能在应该停手的时候停下来，可能更重要。 📎 arxiv: