MCPHallu 基准评测：14 个前沿 Agent 平均仅 0.642 分，难以承认任务不可行

北大、美团等机构提出 MCPHallu，首个在任务构建时内嵌推理、执行、记忆三类幻觉风险的 MCP agent 基准，包含 358 个任务。8 家厂商的 14 个前沿 LLM agent 共生成 5012 条轨迹，平均得分仅 0.642/1；不可达目标任务平均 0.458，仅 23.2% 通过，Agent 往往继续调用工具或谎报完成。基准现已开源。