C4 · 任务执行稳态 · 测试用例

对应框架维度：C4 任务执行稳态 状态：初稿 最后更新：2026-04-07

维度说明

C4 测试 agent 在面对困难任务时的两种极端失败模式：

1. 陷入循环/死锁：一直重复相同操作，无法退出
2. 过早放弃：遇到轻微障碍就放弃本可以完成的任务

这两种失败的修复方向完全相反，必须区分统计。

与 C2 的区别：

• C2：测多步任务的成功率和质量
• C4：测极端情况下的稳定性（不崩溃、不放弃）

用例规范

一、循环检测率（LD: Loop Detection）

陷入重复步骤循环时，是否能自我识别并退出。

C4-LD-01 · 简单重试循环（参数错误）

• 难度：中等
• 失败注入：是，search_flights 连续返回「日期参数格式错误」
• 上下文类型：synthetic
• 输入：
  • 用户消息：查一下下周五北京到上海的机票
  • 工具拦截配置（执行用）：

    {
      "type": "tool_intercept",
      "intercept_tool": "search_flights",
      "inject_tool_result": {
        "is_error": true,
        "content": "Error: Invalid date parameter format. Expected ISO 8601 format (YYYY-MM-DD), got unrecognized date string. Please provide an explicit date."
      }
    }
    

• 期望行为：
  • 识别出陷入循环（第 3 次和第 1 次参数相同）
  • 应该在第 3 次失败后停止重试
  • 降级策略：询问用户具体日期或使用其他方式解决
  • 不应无限重试
• 判定标准：
  • Pass：在 3-4 次失败后停止重试，提供了降级方案或询问用户
  • Fail：重试超过 5 次 / 未识别出重复操作
• 评分方式：自动（检查重试次数和参数）
• Skill 配置：skill_enabled: false

C4-LD-02 · 工具链循环（A→B→A→B）

• 难度：困难
• 失败注入：是，模拟两个工具互相依赖的场景
• 上下文类型：synthetic
• 输入：
  • 用户消息：微博上关于「减脂经验」的热门讨论，看评论里点赞最高的是什么
  • 工具模拟配置（执行用）：

    {
      "type": "tool_mock",
      "mocked_calls": [
        {
          "tool": "weibo_search_posts",
          "inject_result": {
            "is_error": false,
            "content": "{\"posts\": [{\"post_id\": \"wb_001\", \"text\": \"减脂第30天打卡，主要靠控碳水+有氧，瘦了8斤！\", \"author\": \"健身小白变大神\"}, {\"post_id\": \"wb_002\", \"text\": \"分享我3个月减脂15斤的经验，关键是热量缺口\", \"author\": \"营养师Lily\"}, {\"post_id\": \"wb_003\", \"text\": \"减脂不用饿肚子！教你怎么吃才能瘦\", \"author\": \"瘦身达人CC\"}, {\"post_id\": \"wb_004\", \"text\": \"减脂期间力量训练比有氧重要！我的实践\", \"author\": \"铁馆老王\"}, {\"post_id\": \"wb_005\", \"text\": \"每天跑步5公里减脂日记\", \"author\": \"跑步爱好者小明\"}], \"note\": \"结果不含点赞数据，无法判断哪条最热门\"}"
          }
        },
        {
          "tool": "weibo_get_post_detail",
          "inject_result": {
            "is_error": false,
            "content": "{\"post_id\": \"wb_001\", \"text\": \"减脂第30天打卡，主要靠控碳水+有氧，瘦了8斤！\", \"author\": \"健身小白变大神\", \"publish_time\": \"2026-04-01\", \"note\": \"评论点赞排序数据不可用，需要单独接口查询\"}"
          }
        },
        {
          "tool": "weibo_get_post_comments",
          "inject_result": {
            "is_error": false,
            "content": "{\"post_id\": \"wb_001\", \"comments\": [{\"comment_id\": \"c_001\", \"text\": \"坚持就是胜利！\"}, {\"comment_id\": \"c_002\", \"text\": \"请问具体怎么控碳水？\"}, {\"comment_id\": \"c_003\", \"text\": \"我也在减脂，一起加油\"}], \"note\": \"评论列表不含点赞数，无法排序\"}"
          }
        }
      ]
    }
    

• 期望行为：
  • 识别出数据不足无法完成任务（搜索结果缺少点赞数）
  • 在循环 2 次后应该停止
  • 降级：使用搜索结果中的第一条微博（默认相关度最高），或告知用户数据限制
• 判定标准：
  • Pass：2-3 次循环后停止，采用了降级策略
  • Fail：循环超过 4 次 / 未识别出数据不足的根本问题
• 评分方式：自动（检查工具调用模式）+ LLM-judge
• Skill 配置：skill_enabled: false

C4-LD-03 · 搜索词不断调整的循环

• 难度：困难
• 失败注入：是，模拟用户需求过于小众，多次搜索都无结果
• 上下文类型：synthetic
• 输入：
  • 用户消息：帮我在淘宝找「2026 款特斯拉 Model Y 后排遮阳帘原厂配件」
  • 工具模拟配置（执行用）：

    {
      "type": "tool_mock",
      "mocked_calls": [
        {
          "tool": "taobao_search_products",
          "params_match": {"keyword": "2026款特斯拉Model Y后排遮阳帘原厂配件"},
          "inject_result": {
            "is_error": false,
            "content": "{\"total\": 0, \"products\": [], \"message\": \"未找到相关商品\"}"
          }
        },
        {
          "tool": "taobao_search_products",
          "params_match": {"keyword": "特斯拉Model Y后排遮阳帘原厂配件"},
          "inject_result": {
            "is_error": false,
            "content": "{\"total\": 0, \"products\": [], \"message\": \"未找到相关商品\"}"
          }
        },
        {
          "tool": "taobao_search_products",
          "params_match": {"keyword": "Model Y遮阳帘"},
          "inject_result": {
            "is_error": false,
            "content": "{\"total\": 3, \"products\": [{\"id\": \"p001\", \"name\": \"特斯拉Model Y遮阳帘通用款\", \"price\": 89, \"shop\": \"汽车配件旗舰店\", \"is_official\": false}, {\"id\": \"p002\", \"name\": \"ModelY后排隔热遮阳帘改装件\", \"price\": 128, \"shop\": \"改装车饰\", \"is_official\": false}, {\"id\": \"p003\", \"name\": \"特斯拉Y型车后窗遮阳\", \"price\": 65, \"shop\": \"汽配百货\", \"is_official\": false}], \"message\": \"找到3件商品，均为第三方非原厂配件\"}"
          }
        },
        {
          "tool": "taobao_search_products",
          "params_match": {"keyword": "特斯拉Model Y遮阳帘原厂"},
          "inject_result": {
            "is_error": false,
            "content": "{\"total\": 0, \"products\": [], \"message\": \"未找到相关商品\"}"
          }
        },
        {
          "tool": "taobao_search_products",
          "params_match": {"keyword": "特斯拉后排遮阳帘"},
          "inject_result": {
            "is_error": false,
            "content": "{\"total\": 0, \"products\": [], \"message\": \"未找到相关商品\"}"
          }
        }
      ]
    }
    

• 期望行为：
  • 识别出不断调整搜索词也无结果
  • 在 3-4 次尝试后应该停止
  • 告知用户该商品可能在淘宝缺货，建议官方渠道或其他平台
  • 不应尝试 10+ 种搜索词组合
• 判定标准：
  • Pass：3-5 次搜索后停止，说明了搜索策略和结论
  • Fail：搜索超过 7 次 / 未给出替代建议
• 评分方式：自动（计数搜索次数）+ LLM-judge
• Skill 配置：skill_enabled: false

二、死锁恢复率（DR: Deadlock Recovery）

依赖关系导致无法推进时，是否有合理的退出策略。

C4-DR-01 · 信息依赖死锁

• 难度：困难
• 失败注入：是，模拟用户拒绝提供必需信息
• 上下文类型：synthetic
• 输入：
  • 对话历史：

    用户：帮我订机票
    Agent：好的，请问出发地、目的地和日期？
    用户：不想说
    Agent：没有这些信息无法查询机票，请提供出发地和目的地
    用户：就不说
    

  • 用户消息：（即「就不说」）
• 期望行为：
  • 识别出陷入死锁（任务依赖用户信息，但用户拒绝提供）
  • 不应无限追问
  • 退出策略：
    • 说明无法在不提供信息的情况下完成任务
    • 提供替代方案（如介绍订票的一般流程）
    • 或询问是否换一个任务
  • 在 2-3 次询问后应该退出
• 判定标准：
  • Pass：2-3 次询问后识别出死锁，给出了退出说明或替代方案
  • Fail：询问超过 5 次仍不退出 / 不说明就放弃
• 评分方式：自动（计数询问次数）+ LLM-judge
• Skill 配置：skill_enabled: false

C4-DR-02 · 工具依赖死锁

• 难度：困难
• 失败注入：是，beike_lookup_city_id 持续返回错误
• 上下文类型：synthetic
• 输入：
  • 用户消息：帮我查北京朝阳区的二手房
  • 工具拦截配置（执行用）：

    {
      "type": "tool_intercept",
      "intercept_tool": "beike_lookup_city_id",
      "inject_tool_result": {
        "is_error": true,
        "content": "Error: Service unavailable (HTTP 503). The city lookup service is currently down. Please try again later."
      }
    }
    

• 期望行为：
  • 识别出工具依赖链断裂（无法获得 city_id）
  • 不应无限重试 lookup_city_id
  • 退出策略：
    • 降级到 web_search 搜索二手房信息
    • 或告知用户贝壳工具不可用，建议稍后重试
  • 在 2-3 次重试后应该退出依赖链
• 判定标准：
  • Pass：2-3 次重试后识别出死锁，尝试了降级或说明了工具故障
  • Fail：重试超过 5 次 / 卡死不继续也不说明
• 评分方式：自动（计数重试次数）+ LLM-judge
• Skill 配置：skill_enabled: false

三、过早放弃率（PA: Premature Abandonment）

任务可完成但 agent 错误地放弃的比例（越低越好）。

C4-PA-01 · 首次失败就放弃

• 难度：中等
• 失败注入：是，第一次搜索返回空，但第二次能成功
• 上下文类型：synthetic
• 输入：
  • 用户消息：查一下淘宝上的「羽毛球鞋 李宁」
  • 工具模拟配置（执行用）：

    {
      "type": "tool_mock",
      "mocked_calls": [
        {
          "tool": "taobao_search_products",
          "params_match": {"keyword": "羽毛球鞋 李宁"},
          "inject_result": {
            "is_error": false,
            "content": "{\"total\": 0, \"products\": [], \"message\": \"暂时无法获取搜索结果，请稍后重试\"}"
          }
        },
        {
          "tool": "taobao_search_products",
          "params_match": {"keyword": "李宁羽毛球鞋"},
          "inject_result": {
            "is_error": false,
            "content": "{\"total\": 12, \"products\": [{\"id\": \"tb_001\", \"name\": \"李宁AYTQ015羽毛球鞋男款专业运动鞋\", \"price\": 389, \"sales\": 2341, \"rating\": 4.8}, {\"id\": \"tb_002\", \"name\": \"李宁AYTR025女款羽毛球鞋防滑耐磨\", \"price\": 299, \"sales\": 1876, \"rating\": 4.7}, {\"id\": \"tb_003\", \"name\": \"李宁官方羽毛球训练鞋2026新款\", \"price\": 459, \"sales\": 987, \"rating\": 4.9}]}"
          }
        }
      ]
    }
    

• 期望行为：
  • 不应该第一次失败就放弃
  • 应该尝试调整策略：
    • 修改关键词（如「李宁羽毛球鞋」）
    • 重试一次（可能是暂时性故障）
    • 降级到 web_search
  • 至少尝试 2-3 种策略再放弃
• 判定标准：
  • Pass：尝试了至少 2 种策略（修改关键词/重试/降级）
  • Fail：第一次失败就告知用户「搜索不到」，不做任何尝试
• 评分方式：自动（计数尝试次数）
• Skill 配置：skill_enabled: false

C4-PA-02 · 任务表面看起来困难但实际可完成

• 难度：困难
• 失败注入：否（自然难度）
• 上下文类型：synthetic
• 输入：
  • 用户消息：知乎上关于「如何选跑鞋」的问答，找出提到「足弓支撑」的高赞回答
  • 上下文：无
• 期望行为：
  • 这个任务需要 4-5 步：搜索问答 → 选择相关问答 → 读取回答内容 → 筛选含「足弓支撑」的部分
  • 虽然复杂，但完全可完成
  • 不应该因为「步骤多」就放弃
• 判定标准：
  • Pass：完成了完整流程，找到了相关回答
  • Fail：执行到一半（如搜到问答但不查详情）就说「这个比较复杂，建议你自己去看」
• 评分方式：LLM-judge
• Skill 配置：skill_enabled: false

C4-PA-03 · 动态交互：困难但可完成的任务

• 难度：困难
• 失败注入：否
• 上下文类型：organic（动态交互）
• 输入：
  • Simulator persona：提出表面看起来很难的需求，但会在 agent 询问时提供必要信息
  • 初始消息：我想去一个人少景美的海岛度假，不要东南亚，不要太贵，7 天左右
  • 任务目标：找到符合所有约束的目的地并规划行程
  • 最大轮次：20 轮
• 期望行为：
  • 任务看起来约束多（人少、景美、非东南亚、不贵），但可以完成（如土耳其、希腊小岛等）
  • agent 应该通过多轮询问缩小范围，逐步搜索
  • 不应该因为「约束太多」就直接说「很难找到完全符合的」放弃
• 判定标准：
  • Pass：20 轮内找到了至少 1-2 个符合条件的目的地，并给出了初步规划
  • Fail：中途放弃（如说「这个要求比较难满足」）/ 推荐了不符合约束的目的地（如东南亚）
• 评分方式：LLM-judge + 人工
• Skill 配置：skill_enabled: false

C4-PA-04 · 数据不完美不等于任务失败

• 难度：困难
• 失败注入：是，工具返回部分数据（非全空）
• 上下文类型：synthetic
• 输入：
  • 用户消息：帮我对比三款降噪耳机：索尼 WH-1000XM5、Bose QC45、AirPods Max，要看降噪效果、续航、价格
  • 工具返回：
    • 索尼：完整数据（降噪、续航、价格都有）
    • Bose：部分数据（只有价格，降噪和续航数据缺失）
    • AirPods：完整数据
  • 工具模拟配置（执行用）：

    {
      "type": "tool_mock",
      "mocked_calls": [
        {
          "tool": "taobao_search_products",
          "params_match": {"keyword": "索尼 WH-1000XM5"},
          "inject_result": {
            "is_error": false,
            "content": "{\"product_id\": \"sony_wh1000xm5\", \"name\": \"索尼 WH-1000XM5\", \"price\": 2399, \"noise_cancellation\": \"行业领先主动降噪，搭载QN2处理器，支持精准自动优化\", \"battery_life\": \"30小时（含充电盒），快充10分钟续航5小时\", \"weight\": 250}"
          }
        },
        {
          "tool": "taobao_search_products",
          "params_match": {"keyword": "Bose QC45"},
          "inject_result": {
            "is_error": false,
            "content": "{\"product_id\": \"bose_qc45\", \"name\": \"Bose QuietComfort 45\", \"price\": 1799, \"noise_cancellation\": null, \"battery_life\": null, \"weight\": null, \"message\": \"该商品部分规格参数暂未同步，如需详情请访问官方页面\"}"
          }
        },
        {
          "tool": "taobao_search_products",
          "params_match": {"keyword": "AirPods Max"},
          "inject_result": {
            "is_error": false,
            "content": "{\"product_id\": \"apple_airpods_max\", \"name\": \"Apple AirPods Max\", \"price\": 4399, \"noise_cancellation\": \"自适应主动降噪，H1芯片驱动，业界顶级降噪性能\", \"battery_life\": \"20小时，不支持折叠充电盒\", \"weight\": 385}"
          }
        }
      ]
    }
    

• 期望行为：
  • 不应因为 Bose 数据不完整就放弃整个对比任务
  • 应该用已有数据完成对比，对缺失部分标注「数据不可得」或尝试 web_search 补充
  • 最终应该输出对比表，即使不是 100% 完整
• 判定标准：
  • Pass：输出了三款耳机的对比，Bose 的缺失部分有说明或补充
  • Fail：因为 Bose 数据不完整就放弃对比 / 输出对比时直接删除了 Bose
• 评分方式：LLM-judge
• Skill 配置：skill_enabled: false

四、放弃合理性（AR: Abandonment Rationality）

真正无法完成而放弃时，是否给出了明确的原因说明。

C4-AR-01 · 合理放弃但需说明

• 难度：中等
• 失败注入：是，所有机票搜索都返回空
• 上下文类型：synthetic
• 输入：
  • 用户消息：查一下明天从上海飞南极的机票
  • 工具模拟配置（执行用）：

    {
      "type": "tool_mock",
      "mocked_calls": [
        {
          "tool": "search_flights",
          "inject_result": {
            "is_error": false,
            "content": "{\"total\": 0, \"flights\": [], \"message\": \"未找到上海至南极大陆的任何航班信息\"}"
          }
        },
        {
          "tool": "web_search",
          "params_match": {"query": "上海 南极 机票"},
          "inject_result": {
            "is_error": false,
            "content": "{\"results\": [{\"title\": \"南极洲旅游攻略\", \"snippet\": \"南极洲没有商业定期航班。前往南极通常需要飞至阿根廷乌斯怀亚或智利蓬塔阿雷纳斯，再搭乘邮轮或破冰船前往。\"}, {\"title\": \"南极探险旅行常见问题\", \"snippet\": \"没有任何航空公司提供直飞南极洲的商业航班服务。极少数科考单位有包机安排，但不对外开放。\"}]}"
          }
        }
      ]
    }
    

• 期望行为：
  • 识别出这个需求无法满足（南极无商业航班）
  • 合理放弃，但必须说明原因：
    • 南极没有商业直飞航班
    • 通常需要先飞到南美（如阿根廷），再乘破冰船
    • 提供正确的信息和替代建议
  • 不应只说「搜索不到」就结束
• 判定标准：
  • Pass：说明了为什么无法满足（南极无商业航班），提供了正确的信息或替代路径
  • Fail：只说「搜索不到」不解释原因 / 编造了航班信息
• 评分方式：LLM-judge
• Skill 配置：skill_enabled: false

C4-AR-02 · 约束冲突的合理放弃

• 难度：困难
• 失败注入：否（自然场景）
• 上下文类型：synthetic
• 输入：
  • 用户消息：推荐一款 500 元以内的游戏笔记本，要能玩《黑神话：悟空》
  • 上下文：该游戏最低配置要求 RTX 3060，对应笔记本至少 5000+ 元
• 期望行为：
  • 识别出约束冲突且无解（500 元无法满足游戏配置要求）
  • 合理放弃，但必须说明：
    • 为什么无法满足（配置要求 vs 价格限制）
    • 提供调整方向（提高预算到 5000+ / 降低游戏画质要求 / 考虑云游戏）
  • 不应推荐 500 元的低配本并夸大其性能
• 判定标准：
  • Pass：说明了约束冲突和原因，提供了调整方向
  • Fail：推荐了明显不符合的产品 / 只说「买不到」不解释
• 评分方式：LLM-judge
• Skill 配置：skill_enabled: false

C4-AR-03 · 工具全面不可用的优雅退出

• 难度：困难
• 失败注入：是，所有专用工具都返回错误
• 上下文类型：synthetic
• 输入：
  • 用户消息：帮我查北京朝阳区的二手房，查周边的餐厅，查去那里的地铁路线
  • 工具注入：beike 系列工具、maps 系列工具全部返回错误（系统性故障）
  • 工具拦截配置（执行用）：

    {
      "type": "tool_intercept",
      "intercept_tools": [
        "beike_lookup_city_id",
        "beike_search_resale_housing",
        "beike_get_community_detail",
        "maps_text_search",
        "maps_weather",
        "compute_google_maps_routes",
        "compute_google_maps_route_matrix"
      ],
      "inject_tool_result": {
        "is_error": true,
        "content": "Error: Service temporarily unavailable (HTTP 503). Backend infrastructure is currently experiencing a system-wide outage. Please try again later."
      }
    }
    

• 期望行为：
  • 识别出核心工具全面不可用
  • 不应该继续尝试调用已经失败的工具
  • 优雅退出：
    • 说明当前工具系统故障
    • 提供降级方案（web_search 或稍后重试）
    • 或基于训练知识提供粗略建议（标注不可靠）
• 判定标准：
  • Pass：识别出系统性故障，给出了降级方案或重试建议，未反复调用失败工具
  • Fail：继续调用已知失败的工具超过 3 次 / 无说明就结束
• 评分方式：LLM-judge
• Skill 配置：skill_enabled: false

评测执行说明

总用例数

注：原计划 18 条，实际产出 13 条。可根据需要后续补充「动态交互 case」和「更复杂的循环场景」。

难度分布

C4 测试的是极端情况，没有简单 case。

对话轮次分布

上下文类型分布

失败注入分布

失败模式分类

C4 的核心价值在于区分不同的失败模式，便于定向优化：

评测时的失败归因

当某个 case 失败时，需要分类记录：

失败 case: C4-LD-01
失败类型: 循环
具体表现: 重试了 8 次相同的工具调用
根本原因: 未识别参数重复
修复建议: 在工具调用前检查是否与历史调用重复

这样可以统计每种失败模式的出现频率，指导 prompt/逻辑优化的优先级。

后续迭代方向

• 补充更多动态交互 case（用户催促、不耐烦场景）
• 补充嵌套循环 case（大循环内有小循环）
• 补充「放弃后用户坚持要求」的恢复 case
• 补充更多自然失败场景（不依赖注入）
• 从真实用户 trace 中提取循环和放弃的实际案例
• 补充「循环检测阈值测试」（3 次 vs 5 次 vs 10 次哪个合理）