标签
本文介绍了 LemonHarness，一个面向长周期 LLM 智能体的集成执行框架。该框架将状态变更操作限制在清晰定义的 workspace 内，引入可复用的规则知识库，并增加了时间感知执行功能。在 Terminal-Bench 2.0 上实现了 84-86% 的准确率。
PhoneHarness 是一个混合操作基准测试和执行框架，用于评估手机使用代理在可验证移动工作流上的表现，通过确定性操作路由和可审计执行跟踪实现了 75% 的通过率，比现有方法高出 12.9 个百分点。