MapSatisfyBench：通过基于行为的隐式决策因素评估满意度感知的地图智能体

大语言模型智能体日益融入地图服务，但用户非正式表达常导致隐含决策因素缺失，影响满意度。现有评估缺乏对隐含因素恢复能力的量化标准。本文提出“恢复 - 识别 - 过滤”框架，利用行为链证据重构用户需求并提取可评估的隐式因素，构建了基于真实数据的 MapSatisfyBench 基准。实验表明，当前智能体虽能完成显式任务，但在推导隐含因素及主动获取证据方面仍显不足，推动了评估范式向满意度感知的空间决策转变。