- 环境真实性主轴：
WebShop、Mind2Web、WebArena、OSWorld、SWE-bench、τ-bench - 多维能力重定义主轴：
AgentBench、AgentBoard - 风险与隐藏失败主轴：
Cybench、AgentHarm、ASB - 轨迹与过程评测主轴：
AgentRewardBench、Web-Shepherd、OpenAITrace grading/Agent evals - 本章落点主轴：benchmark 不只是打分工具，而是在决定领域认为什么算能力、什么算失败、什么算真实进步；因此它从根本上改变了人们对 Agent 的理解
附录 G：分章资料清单