UC Berkeley Agents' Last Exam 实测：如何审核长任务智能体动作

作者在封闭环境实测 UC Berkeley 的 Agents' Last Exam，单个金融、工程与计算类长任务需执行 30 到 400+ 次智能体动作。逐条人工审核并不可行，智能体会出现写入工作区之外或访问未授权位置等未被要求的操作；拒绝单个动作后继续运行，比终止整个 run 更有效。评分位置也必须与智能体隔离，否则分数不可信。