【摘要】一个没有答案 key 的难题 智能体跑完一个几十步的长任务，交出一份表格、一份报告或改好的文件，谁来判定它对不对？短问答可以靠标准答案或单元测试，但长任务的交付物往往没法写成断言：一个财务比率可能取错了年份，一份报告可能引用了已失效的来源，而且这些错误通常藏在"看起来很正常"的成品里。 谷歌云 AI 阅读全文