摘要
本文提出 PHREEQC-MCQ-200 基准，用于评估工具增强型代理在水文地球化学模拟中的表现。该基准包含 200 道多选题，要求代理构建模拟器输入、执行 PHREEQC 并解析结构化输出。研究发现，虽然工具访问显著提升了整体准确率，但也导致了部分原本正确回答的退化。此外，输出访问协议对性能影响显著：目录接口可降低令牌成本并提升强模型表现，却会削弱中等模型能力。文章主张将科学工具使用视为端到端诊断问题，需关注细粒度保留率与计算链断裂点。
AI 推荐理由
论文核心评估 Agent 调用科学模拟器工具的能力、输入构建及输出解析，属技能学习范畴。
研究机构
加利福尼亚大学河滨分校
加利福尼亚大学欧文分校
论文信息