GPT-5.4 仅 11.36%！当大规模工具生态变成迷宫，LLM Agent 还能完成长程规划吗？

已收录文章摘要，完整内容可前往原文阅读。

一句话概括PlanBench-XL 将 LLM Agent 放入一个大规模、部分可见、带有噪声和阻断的零售 API 世界中，评测它们能否持续发现可用工具、推断隐含中间目标，并在工具路径失效后重新规划。