ToolMisuseBench：用于评估智能体系统中工具误用与恢复的离线确定性基准

即使语言理解能力强，智能体常因操作原因（如参数无效、接口漂移、恢复能力弱及重试低效）导致工具使用失败。本文提出 ToolMisuseBench，这是一个离线确定性基准，旨在明确步数、调用及重试预算下评估工具误用与恢复能力。该基准涵盖 CRUD、检索、文件及调度环境，支持可重放的故障注入，并报告成功率、无效调用行为、策略违规、恢复质量及预算效率。我们发布了包含 6800 个任务的公共数据集及可复现评估流程。基线结果显示，感知模式的方法在特定故障恢复上有所增益，但在严格授权与硬失败设置下整体成功率仍有限。