用于检验智能体完成多步任务能力的测试基准。
智能体基准测试像驾校路考：会背交规不算本事，得自己起步、变道、停车，还不能撞护栏。
用任务模拟实战，测它能否调用工具并走完多步流程。
Agent它考察智能体在规划、调用工具和完成任务上的表现。
Evaluation Harness评测框架负责运行任务、收集轨迹并计算结果。
Leaderboard基准分数可用于比较不同智能体的能力表现。