标签
WorkSurface-Bench 通过 1,151 个任务，并分别评估路由分数和答案分数，来衡量企业智能体为给定查询选择正确知识表面（文档、表格或图表）的能力。实验表明，即使在工具受限的情况下，智能体在答案准确性方面仍存在困难，而表面提示能提升性能。