实证分析：LLM Agent静态技能不一致不必然导致运行时风险

发生了什么

据arXiv cs.AI论文，研究者对575个社区和基准技能进行审计，发现1,182处手动验证的合同不一致。通过49个可执行Agent任务和三个代表性LLM的实验，量化了缺陷修复后的实际性能影响，表明静态缺陷量不能可靠反映真实世界Agent性能下降。