Agent 评测与可复现实验：把热闹问题变成研究问题

这条是学术研究分类的索引，用来收纳论文、benchmark、实验复现和研究方法相关内容。围绕 Agent 的讨论很容易被 demo 带节奏，但真正能沉淀的部分通常藏在评测设计里：任务是否清晰、数据是否泄漏、工具调用是否可审计、失败是否被认真记录。这个节点会让图谱里出现一条从 AI 产品热闹表层通向研究底层的路径。