已收录文章摘要，完整内容可前往原文阅读。
随着大语言模型智能体逐渐从单轮问答走向长期运行的真实应用，一个被现有评测忽略的问题开始变得越来越重要：当环境发生变化时，智能体还能否继续正确地完成任务？现有 Agent Benchmark 大多默认环