τ-bench 研究摘要：业务规则、最终状态与多次运行一致性

人工整理｜2024年共同署名研究摘要。Shunyu Yao、Noah Shinn、Pedram Razavi与Karthik Narasimhan提出模拟用户—Agent—工具交互的业务评估：提供领域API与规则，以结束时的数据库状态对照目标，并用pass^k观察多次试验的一致性。适合设计业务Agent验收时区分单次成功与稳定成功。只核公开摘要及交接中的README阅读记录，未读论文全文、调用API或执行基准；原仓库提醒旧航空/零售任务已过时，应另核新版本，不能推导运行免费。原v1提交于2024-06-17。