● 怎么知道 Agent 真干完活了？

📌 一句话摘要 SaaS-Bench 通过将真实 SaaS 应用打包进 Docker 并校验数据库状态，解决了现有 Agent 评测中「只看动作不看结果」的漏洞，专治 Agent 的「嘴硬」问题。 📝 详细摘要 本文介绍了 UniPat 实验室提出的 SaaS-Bench 评测基准，旨在解决现有

● Claude 通过率不到 4%，SaaS-Bench 撕碎了 Computer-Use 的「全自动办公」幻想

📌 一句话摘要 SaaS-Bench 基准测试通过 23 个真实 SaaS 系统、106 个长程任务，揭示了当前最强 Computer-Use Agent 在真实办公场景中的惨淡表现：Claude Opus 4.7 端到端通过率仅 3.8%，暴露了 Agent 在长程任务中的四种结构性失败模式。