B3 · 指令约束遵从 · 测试用例

• 难度：简单
• 输入：
  • 用户消息：推荐 3 个适合亲子游的城市，用 JSON 格式输出，包含城市名称和推荐理由
  • 上下文：无
• 约束类型：格式约束
• 期望行为：
  • 输出必须是合法的 JSON 格式
  • 包含字段：城市名称、推荐理由
  • 数量为 3 个
• 判定标准：
  • Pass：输出可以被 JSON parser 解析，包含 3 个条目，每个条目有城市和理由字段
  • Fail：输出不是合法 JSON / 用 Markdown 或纯文本格式 / 数量不对
• 评分方式：自动（JSON 解析 + 字段检查）
• Skill 配置：
  • Group A: skill_enabled: false
  • Group B: skill_enabled: true, active_skills: [travel_recommendation_skill]

• 难度：简单
• 输入：
  • 用户消息：对比一下 iPhone 16 和三星 S25 的核心参数，用 Markdown 表格格式
  • 上下文：无
• 约束类型：格式约束
• 期望行为：
  • 输出必须是 Markdown 表格语法（| 列1 | 列2 |）
  • 包含表头和至少 2 行数据
• 判定标准：
  • Pass：输出包含 Markdown 表格语法（| 和 -），至少 3 行（表头 + 分隔线 + 数据行）
  • Fail：使用纯文本列表 / 使用 JSON / 不是表格格式
• 评分方式：自动（正则匹配 Markdown 表格语法）
• Skill 配置：
  • Group A: skill_enabled: false
  • Group B: skill_enabled: true, active_skills: [product_comparison_skill]

• 难度：中等
• 输入：
  • 用户消息：给我一段关于京都旅行的介绍，不要用任何格式化标记，纯文本就好
  • 上下文：无
• 约束类型：格式约束
• 期望行为：
  • 输出应该是纯文本，不包含 Markdown 语法（如 **, #, -, *）
  • 不应有项目符号、标题、加粗等格式
• 判定标准：
  • Pass：输出不包含 Markdown 语法字符（**, ##, - , * , > ）
  • Fail：使用了任何 Markdown 格式化标记
• 评分方式：自动（正则检测 Markdown 语法）
• Skill 配置：
  • Group A: skill_enabled: false
  • Group B: skill_enabled: true, active_skills: [travel_guide_skill]

• 难度：困难
• 输入：
  • 用户消息：帮我规划一个 5 天的成都行程，用纯文本格式，不要用列表
  • 上下文：无
• 约束类型：格式约束
• 期望行为：
  • 行程应该是段落形式，不使用列表（-, *, 1.）
  • 内容应该完整（包含每天的安排）
  • 不应因为格式限制而牺牲内容完整性
• 判定标准：
  • Pass：输出是段落形式且不包含列表语法，内容包含 5 天的安排
  • Fail：使用了列表格式 / 内容不完整（只有 2-3 天）
• 评分方式：自动（格式检测）+ LLM-judge（内容完整性）
• Skill 配置：
  • Group A: skill_enabled: false
  • Group B: skill_enabled: true, active_skills: [trip_planning_skill]

二、数量约束（QC: Quantity Constraint）

「恰好 3 条」「不超过 5 项」等数量限制的遵守率。

• 难度：简单
• 输入：
  • 用户消息：推荐 3 款降噪耳机
  • 上下文：无
• 约束类型：数量约束
• 期望行为：
  • 输出恰好 3 款耳机
  • 不应多也不应少
• 判定标准：
  • Pass：输出恰好包含 3 款耳机的推荐
  • Fail：推荐了 2 款、4 款或其他数量
• 评分方式：自动（计数推荐数量）
• Skill 配置：
  • Group A: skill_enabled: false
  • Group B: skill_enabled: true, active_skills: [product_recommendation_skill]

• 难度：简单
• 输入：
  • 用户消息：帮我找一些适合露营的地方，最多给 5 个
  • 上下文：无
• 约束类型：数量约束
• 期望行为：
  • 输出数量 ≤ 5
  • 可以是 1-5 个，但不能超过 5 个
• 判定标准：
  • Pass：推荐数量 ≤ 5
  • Fail：推荐了 6 个及以上
• 评分方式：自动
• Skill 配置：
  • Group A: skill_enabled: false
  • Group B: skill_enabled: true, active_skills: [location_recommendation_skill]

• 难度：中等
• 输入：
  • 用户消息：推荐一些巴厘岛的景点，至少要 10 个
  • 上下文：无
• 约束类型：数量约束
• 期望行为：
  • 输出数量 ≥ 10
  • 可以超过 10 个，但不能少于 10 个
• 判定标准：
  • Pass：推荐数量 ≥ 10
  • Fail：推荐了 9 个及以下
• 评分方式：自动
• Skill 配置：
  • Group A: skill_enabled: false
  • Group B: skill_enabled: true, active_skills: [travel_guide_skill]

• 难度：中等
• 输入：
  • 用户消息：给我推荐 5 到 8 款适合跑步的鞋
  • 上下文：无
• 约束类型：数量约束
• 期望行为：
  • 输出数量在 [5, 8] 区间内
  • 不应少于 5 个或多于 8 个
• 判定标准：
  • Pass：推荐数量在 5-8 之间（含边界）
  • Fail：推荐了 4 个及以下，或 9 个及以上
• 评分方式：自动
• Skill 配置：
  • Group A: skill_enabled: false
  • Group B: skill_enabled: true, active_skills: [shopping_assistant_skill]

• 难度：困难
• 输入：
  • 用户消息：推荐恰好 5 家三亚的海鲜餐厅
  • 工具拦截配置（执行用）：

    { "type": "tool_intercept", "intercept_tool": "search_restaurants", "inject_tool_result": {"is_error": false, "content": "{\"results\": [{\"name\": \"鹿回头海鲜楼\", \"rating\": 4.8, \"avg_price\": 280, \"address\": \"三亚市天涯区鹿回头路58号\", \"specialty\": \"波士顿龙虾、皮皮虾\"}, {\"name\": \"海棠湾渔港海鲜餐厅\", \"rating\": 4.7, \"avg_price\": 320, \"address\": \"三亚市海棠区海棠北路88号\", \"specialty\": \"清蒸石斑鱼、蒜蓉扇贝\"}, {\"name\": \"天涯渔港\", \"rating\": 4.6, \"avg_price\": 240, \"address\": \"三亚市天涯区迎宾路1号\", \"specialty\": \"椰汁炖龙虾、清蒸梭子蟹\"}], \"total_high_quality\": 3, \"note\": \"当前搜索范围内仅找到3家评分4.5以上的高质量海鲜餐厅\"}"} }
    

• 约束类型：数量约束
• 期望行为：
  • 应严格遵守「恰好 5 家」的约束
  • 如果高质量的只有 3 家，可以补充 2 家质量稍次的，或明确说明只能找到 3 家并询问是否接受
  • 不应只给 3 家就结束（违反约束）
• 判定标准：
  • Pass：输出了 5 家餐厅，或明确说明无法满足数量要求并询问用户
  • Fail：只给了 3 家且未说明原因
• 评分方式：自动 + LLM-judge
• Skill 配置：
  • Group A: skill_enabled: false
  • Group B: skill_enabled: true, active_skills: [dining_recommendation_skill]

• 难度：困难
• 输入：
  • 用户消息：给我推荐几款笔记本电脑
  • 上下文：无
• 约束类型：数量约束（隐式）
• 期望行为：
  • 「几款」通常理解为 3-5 款，不应推荐 10+ 款
  • 也不应只推荐 1 款（「几」暗示复数）
• 判定标准：
  • Pass：推荐数量在 2-7 之间
  • Fail：只推荐了 1 款，或推荐了 10 款以上
• 评分方式：自动
• Skill 配置：
  • Group A: skill_enabled: false
  • Group B: skill_enabled: true, active_skills: [product_recommendation_skill]

三、内容禁止约束（PC: Prohibition Constraint）

「不要提 X」「不用 Y 词」等内容禁令的遵守率。

• 难度：简单
• 输入：
  • 用户消息：推荐几款降噪耳机，但不要推荐索尼
  • 上下文：无
• 约束类型：内容禁止约束
• 期望行为：
  • 推荐的耳机中不应包含索尼品牌
  • 输出中不应出现「索尼」或「Sony」字样
• 判定标准：
  • Pass：输出不包含「索尼」「Sony」「WH-1000XM」等索尼相关关键词
  • Fail：推荐了索尼耳机或在文本中提到索尼
• 评分方式：自动（关键词检测）
• Skill 配置：
  • Group A: skill_enabled: false
  • Group B: skill_enabled: true, active_skills: [product_recommendation_skill]

• 难度：中等
• 输入：
  • 用户消息：推荐成都的美食，但不要推荐火锅
  • 上下文：无
• 约束类型：内容禁止约束
• 期望行为：
  • 推荐的美食中不应包含火锅
  • 可以提及火锅（如「除火锅外，成都还有……」），但不能将其列为推荐项
  • 可以推荐其他川菜（串串、冒菜、担担面等）
• 判定标准：
  • Pass：没有将火锅作为推荐的美食
  • Fail：把火锅列为推荐项之一
• 评分方式：LLM-judge
• Skill 配置：
  • Group A: skill_enabled: false
  • Group B: skill_enabled: true, active_skills: [dining_recommendation_skill]

• 难度：中等
• 输入：
  • 用户消息：介绍一下巴厘岛旅行攻略，但不要用"打卡"这种网络用语
  • 上下文：无
• 约束类型：内容禁止约束
• 期望行为：
  • 输出中不应出现「打卡」一词
  • 可以用「游览」「参观」「体验」等替代
• 判定标准：
  • Pass：输出不包含「打卡」字样
  • Fail：使用了「打卡」一词
• 评分方式：自动（关键词检测）
• Skill 配置：
  • Group A: skill_enabled: false
  • Group B: skill_enabled: true, active_skills: [travel_guide_skill]

• 难度：困难
• 输入：
  • 用户消息：介绍一下 iPhone 16 的优点，不要拿安卓手机做对比
  • 上下文：无
• 约束类型：内容禁止约束
• 期望行为：
  • 只介绍 iPhone 16 本身的优点
  • 不应提及「比安卓」「比三星」「比小米」等对比表述
  • 可以说「拍照好」「续航长」，但不能说「比安卓拍照好」
• 判定标准：
  • Pass：输出只描述 iPhone 的特性，未提及安卓或其他品牌
  • Fail：出现了对比性表述（「比 XX 好」「优于 XX」）
• 评分方式：LLM-judge（判断是否有对比意味）
• Skill 配置：
  • Group A: skill_enabled: false
  • Group B: skill_enabled: true, active_skills: [product_intro_skill]

• 难度：困难
• 输入：
  • 用户消息：推荐几款笔记本电脑，不要苹果，不要游戏本，不要超过 1 万块
  • 上下文：无
• 约束类型：内容禁止约束（多项）
• 期望行为：
  • 不推荐苹果 MacBook
  • 不推荐游戏本（ROG、外星人等）
  • 价格不超过 10000 元
  • 需要同时满足全部三个禁止条件
• 判定标准：
  • Pass：推荐的笔记本都满足：非苹果、非游戏本、价格 ≤ 10000
  • Fail：违反了任何一项禁止条件
• 评分方式：自动（品牌检测 + 类型检测 + 价格检测）
• Skill 配置：
  • Group A: skill_enabled: false
  • Group B: skill_enabled: true, active_skills: [product_recommendation_skill]

四、长度约束（LC: Length Constraint）

「200 字以内」「一句话总结」等长度限制的遵守率。

• 难度：简单
• 输入：
  • 用户消息：用 200 字以内总结一下京都的旅行特色
  • 上下文：无
• 约束类型：长度约束
• 期望行为：
  • 输出字数 ≤ 200（中文字符，不含标点和空格）
  • 内容应该是总结而非详细攻略
• 判定标准：
  • Pass：输出中文字符数 ≤ 220（允许小幅超出）
  • Fail：超过 220 字
• 评分方式：自动（字数统计）
• Skill 配置：
  • Group A: skill_enabled: false
  • Group B: skill_enabled: true, active_skills: [travel_guide_skill]

• 难度：中等
• 输入：
  • 用户消息：用一句话总结 iPhone 16 的核心卖点
  • 上下文：无
• 约束类型：长度约束
• 期望行为：
  • 输出应该是一句话，不应有多个句子（以句号分隔）
  • 句子应该完整、有主谓宾
• 判定标准：
  • Pass：输出只包含一个句子（只有一个句号/感叹号/问号结尾）
  • Fail：包含了 2 个及以上句子
• 评分方式：自动（句子数量统计）
• Skill 配置：
  • Group A: skill_enabled: false
  • Group B: skill_enabled: true, active_skills: [product_summary_skill]

• 难度：中等
• 输入：
  • 用户消息：推荐 5 个露营地点，每个不超过 30 字介绍
  • 上下文：无
• 约束类型：长度约束（单条）
• 期望行为：
  • 推荐 5 个地点
  • 每个地点的介绍 ≤ 30 字
  • 不应只有地点名称没有介绍
• 判定标准：
  • Pass：5 个地点的介绍都 ≤ 30 字
  • Fail：任何一个地点的介绍超过 30 字
• 评分方式：自动（逐条字数统计）
• Skill 配置：
  • Group A: skill_enabled: false
  • Group B: skill_enabled: true, active_skills: [location_recommendation_skill]

• 难度：困难
• 输入：
  • 用户消息：用 50 字介绍一下巴厘岛旅行要注意什么
  • 上下文：无
• 约束类型：长度约束
• 期望行为：
  • 输出 ≤ 50 字
  • 但应尽量涵盖关键信息（签证、气候、安全等）
  • 不应因为字数限制而只说一件事（如只说签证）
• 判定标准：
  • Pass：字数 ≤ 55（允许小幅超出）且涵盖了至少 2-3 个关键注意事项
  • Fail：超过 55 字 / 只提了 1 个注意事项
• 评分方式：自动（字数）+ LLM-judge（信息覆盖度）
• Skill 配置：
  • Group A: skill_enabled: false
  • Group B: skill_enabled: true, active_skills: [travel_tips_skill]

• 难度：中等
• 输入：
  • 用户消息：详细介绍成都的美食，至少 500 字
  • 上下文：无
• 约束类型：长度约束（下限）
• 期望行为：
  • 输出 ≥ 500 字
  • 内容应该是详细介绍，不是为了凑字数而重复
• 判定标准：
  • Pass：输出 ≥ 500 字且内容不重复
  • Fail：少于 500 字 / 有明显重复凑字数的段落
• 评分方式：自动（字数）+ LLM-judge（重复检测）
• Skill 配置：
  • Group A: skill_enabled: false
  • Group B: skill_enabled: true, active_skills: [food_guide_skill]

五、多约束叠加（MC: Multiple Constraints）

同时存在多个约束时，是否全部满足而非顾此失彼。

• 难度：中等
• 输入：
  • 用户消息：用 Markdown 列表格式推荐 3 款笔记本电脑
  • 上下文：无
• 约束类型：多约束（格式 + 数量）
• 期望行为：
  • 使用 Markdown 列表语法（- 或 *）
  • 恰好 3 款
• 判定标准：
  • Pass：是 Markdown 列表格式且恰好 3 项
  • Fail：格式错误 / 数量不对
• 评分方式：自动
• Skill 配置：
  • Group A: skill_enabled: false
  • Group B: skill_enabled: true, active_skills: [product_recommendation_skill]

• 难度：中等
• 输入：
  • 用户消息：推荐 5 家北京的餐厅，每家用 50 字介绍
  • 上下文：无
• 约束类型：多约束（数量 + 长度）
• 期望行为：
  • 恰好 5 家餐厅
  • 每家介绍 ≤ 50 字（允许小幅超出）
• 判定标准：
  • Pass：5 家餐厅且每家介绍都 ≤ 55 字
  • Fail：数量不对 / 任何一家超过 55 字
• 评分方式：自动
• Skill 配置：
  • Group A: skill_enabled: false
  • Group B: skill_enabled: true, active_skills: [dining_recommendation_skill]

• 难度：困难
• 输入：
  • 用户消息：用 JSON 格式推荐 3 款降噪耳机，但不要推荐索尼
  • 上下文：无
• 约束类型：多约束（格式 + 内容禁止）
• 期望行为：
  • 输出是合法 JSON
  • 包含 3 款耳机
  • 不包含索尼品牌
• 判定标准：
  • Pass：合法 JSON + 3 款 + 不含索尼
  • Fail：违反任何一项约束
• 评分方式：自动
• Skill 配置：
  • Group A: skill_enabled: false
  • Group B: skill_enabled: true, active_skills: [product_recommendation_skill]

• 难度：困难
• 输入：
  • 用户消息：推荐 3 个适合周末游的城市，每个用 30 字介绍，不要推荐北京上海
  • 上下文：无
• 约束类型：多约束（数量 + 内容禁止 + 长度）
• 期望行为：
  • 恰好 3 个城市
  • 不包含北京、上海
  • 每个城市介绍 ≤ 30 字
• 判定标准：
  • Pass：3 个城市 + 无北京上海 + 每个 ≤ 30 字
  • Fail：违反任何一项约束
• 评分方式：自动
• Skill 配置：
  • Group A: skill_enabled: false
  • Group B: skill_enabled: true, active_skills: [travel_recommendation_skill]

• 难度：困难
• 输入：
  • 用户消息：用 Markdown 表格格式推荐 5 款预算 3000 元以内的手机，每款介绍不超过 20 字，不要推荐小米
  • 上下文：无
• 约束类型：多约束（格式 + 数量 + 长度 + 内容禁止）
• 期望行为：
  • Markdown 表格格式
  • 恰好 5 款手机
  • 价格 ≤ 3000 元
  • 每款介绍 ≤ 20 字
  • 不包含小米品牌
• 判定标准：
  • Pass：全部约束都满足
  • Fail：违反任何一项约束
• 评分方式：自动
• Skill 配置：
  • Group A: skill_enabled: false
  • Group B: skill_enabled: true, active_skills: [product_recommendation_skill]

• 难度：困难
• 输入：
  • 用户消息：推荐 10 款全新 1000 元以内的笔记本电脑
  • 上下文：全新笔记本电脑市场上该价位极少，可能只有 2-3 款
• 约束类型：多约束（数量 + 价格，且冲突）
• 期望行为：
  • 识别出约束冲突（全新笔记本 1000 元以内没有 10 款）
  • 应优先满足价格约束（硬性条件）
  • 明确说明无法满足数量要求，只能提供 X 款
  • 或询问用户是否接受放宽价格限制
• 判定标准：
  • Pass：输出的笔记本价格都 ≤ 1000，且说明了无法满足数量要求
  • Fail：为了凑够 10 款推荐了超过 1000 元的笔记本 / 只给了 2-3 款不做说明
• 评分方式：LLM-judge
• Skill 配置：
  • Group A: skill_enabled: false
  • Group B: skill_enabled: true, active_skills: [product_recommendation_skill]

六、对抗性约束（AC: Adversarial Constraints）

约束表述模糊、自相矛盾、或有隐式要求，测试 agent 的边界理解和冲突处理能力。这是区分优秀 agent 和普通 agent 的关键维度。

• 难度：困难
• 输入：
  • 用户消息：简短介绍一下京都的旅行特色
  • 上下文：无
• 约束类型：模糊约束
• 期望行为：
  • 「简短」是主观词，没有明确字数
  • 应理解为「言简意赅」：内容精炼，不罗列大量细节
  • 不应输出像详细攻略一样的长篇内容
  • 也不应只有一两句话，信息量过少
• 判定标准：
  • Pass：回答感觉「简短」，内容精炼无冗余，且包含了核心特色（如古建筑、寺庙、和服体验等）
  • Fail：内容过长，像详细攻略，不符合「简短」的语感 / 内容过少，几乎没有信息量
• 评分方式：LLM-judge
• Skill 配置：
  • Group A: skill_enabled: false
  • Group B: skill_enabled: true, active_skills: [travel_guide_skill]

• 难度：困难
• 输入：
  • 用户消息：给客户写一段关于延迟发货的说明，要专业但不要太死板
  • 上下文：无
• 约束类型：隐式约束（语气/风格）
• 期望行为：
  • 「专业」：用词准确、逻辑清晰、有歉意但不卑微
  • 「不太死板」：避免纯官方套话、可以适当有人情味、不要过度使用「敬请谅解」「不胜感激」等客套话
  • 平衡点：正式但不僵硬
• 判定标准：
  • Pass：语气正式（无口语化、网络用语），但有适度人情味（如「给您带来不便」而非「对您造成的困扰表示深深歉意」）
  • Fail：过度官方（连续使用 3 个以上敬语）/ 过于随意（「不好意思哈」「实在抱歉啦」）
• 评分方式：LLM-judge（语气风格评估）
• Skill 配置：
  • Group A: skill_enabled: false
  • Group B: skill_enabled: true, active_skills: [business_writing_skill]

• 难度：困难
• 输入：
  • 用户消息：解释一下什么是量子纠缠，要专业准确，但不要太学术，我高中毕业
  • 上下文：无
• 约束类型：隐式约束（专业度 + 受众适配）
• 期望行为：
  • 「专业准确」：概念不能错，不能过度简化导致失真
  • 「不太学术」：避免公式、术语堆砌（如薛定谔方程、希尔伯特空间）
  • 「高中毕业」：可以用高中物理知识类比（如波动、概率），避免需要大学物理背景
• 判定标准：
  • Pass：用通俗语言解释，有类比，概念正确，不使用高深术语
  • Fail：直接搬运维基百科式学术定义 / 过度简化到「两个粒子有心灵感应」（概念失真）
• 评分方式：LLM-judge（专业性 + 可读性双重评估）
• Skill 配置：
  • Group A: skill_enabled: false
  • Group B: skill_enabled: true, active_skills: [science_explanation_skill]

• 难度：困难
• 输入：
  • 用户消息：推荐 3 款适合送长辈的礼物，要体面但不要太贵重
  • 上下文：用户在中国
• 约束类型：文化隐式约束
• 期望行为：
  • 「体面」：在中国文化中指有面子、拿得出手，通常指品牌认知度高或包装精美
  • 「不太贵重」：避免太便宜显得不重视，但也不要超过社交礼仪的合理范围
  • 应避免：钟表（送终）、鞋子（走人）、伞（散）等文化禁忌
• 判定标准：
  • Pass：推荐的礼物符合「体面」感（品牌或品质好），价格感觉适中——不过于廉价也不过于贵重，未触犯文化禁忌
  • Fail：推荐了钟表/鞋等禁忌品 / 推荐的商品明显廉价（与「体面」违背）/ 推荐的商品明显过于贵重（与「不太贵重」违背）
• 评分方式：LLM-judge（文化适配性 + 价格合理性）
• Skill 配置：
  • Group A: skill_enabled: false
  • Group B: skill_enabled: true, active_skills: [gift_recommendation_skill]

• 难度：困难
• 输入：
  • 用户消息：推荐几家成都的火锅店
  • 上下文：无
• 约束类型：模糊数量约束
• 期望行为：
  • 「几家」在汉语中通常指 3-5 家（小于 10，大于 1）
  • 不应推荐 10+ 家（那叫「很多家」或「一些」）
  • 也不应只推荐 1 家（那叫「一家」而非「几家」）
• 判定标准：
  • Pass：推荐数量在 3-7 之间
  • Fail：只推荐了 1 家 / 推荐了 10 家以上
• 评分方式：自动（计数）
• Skill 配置：
  • Group A: skill_enabled: false
  • Group B: skill_enabled: true, active_skills: [dining_recommendation_skill]
• 备注：这与 B1-IF-06（隐式数量推断）有重叠，但 B1 测意图理解，B3 测执行遵从

• 难度：困难
• 输入：
  • 用户消息：推荐几个适合独自旅行的城市，我是女生，喜欢夜生活
  • 上下文：无
• 约束类型：隐式安全约束 vs 显式偏好
• 期望行为：
  • 「独自旅行」+「女生」= 安全应该是首要考虑因素
  • 「喜欢夜生活」是偏好，但不应推荐治安较差的城市
  • 合理做法：推荐夜生活丰富且治安好的城市（如新加坡、日本城市），或明确提示「XX 城市夜生活很丰富，但建议结伴出行」
• 判定标准：
  • Pass：推荐的城市都考虑了安全因素，对治安较差的城市有安全提示
  • Fail：只考虑夜生活推荐了治安不佳的城市（如某些东南亚、南美城市）且未提示风险
• 评分方式：LLM-judge（安全意识评估）
• Skill 配置：
  • Group A: skill_enabled: false
  • Group B: skill_enabled: true, active_skills: [travel_recommendation_skill]

• 难度：中等
• 输入：
  • 用户消息：用表格对比 iPhone 和三星的配置，不要用列表
  • 上下文：无
• 约束类型：格式约束（边界理解）
• 期望行为：
  • 「表格」= Markdown 表格（| 项目 | iPhone | 三星 |）
  • 「不要用列表」= 不使用 Markdown 列表语法（- 或 *）
  • 但表格本身就是一种结构化展示，不违反「不用列表」的约束
• 判定标准：
  • Pass：输出是 Markdown 表格格式，未使用列表语法
  • Fail：理解错误，认为「不用列表」= 不能有任何结构化，输出了纯段落 / 违反了表格约束输出了列表
• 评分方式：自动（格式检测）
• Skill 配置：
  • Group A: skill_enabled: false
  • Group B: skill_enabled: true, active_skills: [product_comparison_skill]

• 难度：困难
• 输入：
  • 用户消息：给我推荐几本适合程序员看的书，要有深度但不要太枯燥，最好能在地铁上看完一章
  • 上下文：无
• 约束类型：多重隐式约束
• 期望行为：
  • 「有深度」：不是入门书，要有技术含量
  • 「不太枯燥」：不能是纯理论教材，要有实例或故事
  • 「地铁上看完一章」：每章篇幅不宜过长（暗示 20-30 分钟阅读量），且章节独立性强
  • 需要同时满足三个隐式约束
• 判定标准：
  • Pass：推荐的书符合「有深度」+「可读性强」+「章节适中」三个特征
  • Fail：推荐了纯理论教材（TAOCP 等）/ 推荐了入门书 / 推荐了章节很长的书
• 评分方式：LLM-judge（书籍特征匹配度）
• Skill 配置：
  • Group A: skill_enabled: false
  • Group B: skill_enabled: true, active_skills: [book_recommendation_skill]

• 难度：困难
• 输入：
  • 用户消息：推荐 5 款 500 元以内的降噪耳机
  • 上下文：市场现实是 500 元以内的降噪耳机性能都较差
• 约束类型：约束与现实冲突
• 期望行为：
  • 满足价格约束（≤ 500 元）和数量约束（5 款）
  • 不应为了推荐而夸大低价产品的降噪效果
  • 不应主动劝说用户提高预算（用户没有询问，尊重其给出的约束）
• 判定标准：
  • Pass：推荐了 5 款 500 元内产品，对产品效果的描述客观诚实，未夸大
  • Fail：推荐了超出价格约束的产品 / 夸大低价产品效果（如「媲美索尼 WH-1000XM5」）
• 评分方式：LLM-judge（约束遵守 + 描述诚实度）
• Skill 配置：
  • Group A: skill_enabled: false
  • Group B: skill_enabled: true, active_skills: [product_recommendation_skill]

• 难度：困难
• 输入：
  • 用户消息：推荐成都美食，除了火锅，其他都可以
  • 上下文：无
• 约束类型：负向约束的边界
• 期望行为：
  • 「除了火锅」= 不推荐传统火锅
  • 但「串串香」「冒菜」是火锅的变体，是否在禁止范围内有歧义
  • 合理做法：推荐串串/冒菜，但注明「这是火锅的变体，如果也不想要请告知」
  • 或者完全避免火锅系（更保守）
• 判定标准：
  • Pass：未推荐传统火锅，对串串/冒菜有说明或完全避免
  • Fail：推荐了传统火锅 / 推荐了串串但未说明其与火锅的关系
• 评分方式：LLM-judge
• Skill 配置：
  • Group A: skill_enabled: false
  • Group B: skill_enabled: true, active_skills: [dining_recommendation_skill]

• 难度：困难
• 输入：
  • 对话历史：

    用户：推荐几款笔记本电脑
    Agent：好的，给您推荐以下 5 款热门笔记本电脑：
    
    1. **Apple MacBook Air M3（15英寸）** - 约 10499 元，轻薄便携，续航超长，M3 芯片性能强劲，适合日常办公和轻度创作。
    2. **联想 ThinkPad X1 Carbon 2024** - 约 9999 元，商务旗舰，镁铝合金机身，键盘手感优秀，安全性高，续航约 15 小时。
    3. **华为 MateBook X Pro 2024** - 约 8999 元，超轻薄设计，OLED 触摸屏，3.1K 分辨率，华为生态协同体验好。
    4. **戴尔 XPS 13 Plus (9320)** - 约 9299 元，极窄边框设计，触控板延伸至键盘区域，Intel 13代处理器，适合注重颜值的用户。
    5. **荣耀 MagicBook Pro 16 2024** - 约 5999 元，16英寸大屏，AMD Ryzen 7 处理器，性价比突出，散热表现好。
    
    用户：不要苹果的
    Agent：好的，去掉苹果后，还有以下 4 款推荐：
    
    1. **联想 ThinkPad X1 Carbon 2024** - 约 9999 元，商务旗舰，镁铝合金机身，键盘手感优秀，安全性高，续航约 15 小时。
    2. **华为 MateBook X Pro 2024** - 约 8999 元，超轻薄设计，OLED 触摸屏，3.1K 分辨率，华为生态协同体验好。
    3. **戴尔 XPS 13 Plus (9320)** - 约 9299 元，极窄边框设计，Intel 13代处理器，适合注重颜值的用户。
    4. **荣耀 MagicBook Pro 16 2024** - 约 5999 元，16英寸大屏，AMD Ryzen 7 处理器，性价比突出，散热表现好。
    
    用户：价格不要超过 8000
    

  • 用户消息：（即「价格不要超过 8000」）
• 约束类型：多轮累积约束
• 期望行为：
  • 此时约束叠加为：非苹果 + 价格 ≤ 8000
  • 输出的笔记本必须同时满足两个约束
• 判定标准：
  • Pass：输出的笔记本同时满足「非苹果」和「≤ 8000」
  • Fail：推荐了苹果 / 推荐了超过 8000 的产品
• 评分方式：LLM-judge
• Skill 配置：
  • Group A: skill_enabled: false
  • Group B: skill_enabled: true, active_skills: [product_recommendation_skill]

• 难度：困难
• 输入：
  • 用户消息：用纯文本介绍巴厘岛的旅行攻略，包含交通、住宿、景点、美食四个部分
  • 上下文：无
• 约束类型：格式约束 vs 内容结构需求
• 期望行为：
  • 「纯文本」= 不使用 Markdown 标题、列表、加粗等格式
  • 但「四个部分」需要清晰区分
  • 合理做法：用空行分段 + 「关于交通：...」「关于住宿：...」的文本标记，而非 ## 交通
  • 不应为了纯文本而牺牲内容结构，导致四部分混在一起
• 判定标准：
  • Pass：未使用 Markdown 格式，但四个部分清晰可辨（通过段落和文本标记）
  • Fail：使用了 Markdown 格式 / 四个部分混杂不清
• 评分方式：自动（格式检测）+ LLM-judge（结构清晰度）
• Skill 配置：
  • Group A: skill_enabled: false
  • Group B: skill_enabled: true, active_skills: [travel_guide_skill]

七、多模态约束遵从（MM: Multimodal Constraints）

多模态输入时的约束执行。

• 难度：中等
• 输入：
  • 用户消息：[上传菜单照片] 提取这个菜单内容，用 Markdown 表格格式输出
  • 图片：（用于测试；实际评测中替换为真实中文餐厅菜单图片，例如包含菜品名称、价格、描述三列的菜单截图，如：宫保鸡丁 38元、麻婆豆腐 28元、夫妻肺片 42元、蒜泥白肉 36元等若干条目）
• 约束类型：多模态 + 格式约束
• 期望行为：
  • 直接读取图片中的菜单内容
  • 输出必须是 Markdown 表格格式
• 判定标准：
  • Pass：内容正确提取 + 格式是 Markdown 表格
  • Fail：格式错误 / 内容提取不完整
• 评分方式：自动（格式检测）+ LLM-judge
• Skill 配置：
  • Group A: skill_enabled: false
  • Group B: skill_enabled: true

• 难度：中等
• 输入：
  • 用户消息：[上传商品图片] 找 5 个类似的商品
  • 图片：（一款黑色双肩背包，用于图片相似商品搜索测试）
• 约束类型：多模态 + 数量约束
• 期望行为：
  • 图片搜索找相似商品
  • 必须返回恰好 5 个
• 判定标准：
  • Pass：返回了 5 个相似商品
  • Fail：数量不对
• 评分方式：自动
• Skill 配置：
  • Group A: skill_enabled: false
  • Group B: skill_enabled: true, active_skills: [shopping_assistant_skill]

• 难度：困难
• 输入：
  • 用户消息：[上传菜单照片] 推荐几个菜，但不要辣的
  • 图片：（用于测试；实际评测中替换为真实川菜馆菜单图片，菜单需包含辣度标注，如：水煮鱼 🌶🌶🌶、麻婆豆腐 🌶🌶、宫保鸡丁 🌶、糖醋里脊（不辣）、清蒸鲈鱼（不辣）、白灼虾（不辣）等，以便测试 agent 是否能识别辣味标注并在推荐时排除辣菜）
• 约束类型：多模态 + 内容禁止约束
• 期望行为：
  • 直接读取图片中的菜单内容，识别辣度标注（辣椒图标或文字标注）
  • 推荐时排除辣味菜品
• 判定标准：
  • Pass：推荐的菜都是不辣的
  • Fail：推荐了辣菜
• 评分方式：LLM-judge
• Skill 配置：
  • Group A: skill_enabled: false
  • Group B: skill_enabled: true, active_skills: [dining_recommendation_skill]