BADGER：桥接生成式企业推理的代理性与确定性评估

针对将自然语言转化为 SQL 并编排多步代理推理流程的企业 AI 系统，现有基准缺乏统一的生产级评估方案。本文提出 BADGER 框架，集成文本到 SQL 评估与代理行为评价。其贡献包括：扩展 Spider 方法以处理复杂 SQL 组件；提出混合执行准确率指标（Hybrid-EX），利用 LLM 推断结构对齐以解决数值容差问题，在行业查询验证中显著优于现有框架；构建包含新指标“过度工具使用”的企业代理评估套件。该框架支持在受控数据环境中运行，可作为持续评估 backbone。