Alipay-PIBench：面向代码智能体的真实支付集成基准

支付集成是一项高难度的仓库级软件任务，要求智能体选择合适产品、实现协同的客户端 - 服务器流程、验证支付结果并保持状态一致性。本文提出 Alipay-PIBench，这是一个评估代码智能体在真实支付宝支付集成场景表现的基准。该基准包含九个特定产品项目及十八个任务实例，分为基础功能完成与高级风险感知强化两类场景。实验评估了六种代码智能体模型，结果显示访问专用支付集成技能可平均提升 10.31% 的通过率，证明了结构化技能指导对提升智能体领域能力的关键作用。