ASTRA-bench：评估具个人用户语境的工具使用 Agent 推理与行动规划

下一代 AI 需管理海量个人数据、多样工具及多步推理，但现有基准多缺乏语境且仅限单轮交互。本文提出 ASTRA-bench，这是一个独特融合时间演进个人语境、交互式工具箱及复杂用户意图的基准测试。通过事件驱动流程，基于纵向生活事件生成 2413 个场景，并按参考、功能及信息复杂度标注。对最先进模型的评估显示，高复杂度下性能显著下降，论证生成是主要瓶颈。研究揭示了当前 Agent 在混乱个人语境中落地推理及编排可靠多步计划的关键局限。