# 轨迹评估

该工作提出一个受双过程理论启发的混合框架：用TransFuser++神经网络在常规场景生成类人轨迹，用基于知识图谱推理的风险场驱动元认知组件判断是否切换到模型预测控制规划器，并在CARLA中针对车辆（含救护车）闯红灯的分布外场景测试，结果显示车对车碰撞由160次仿真中的48次降至5次，降幅89%。

该工作提出一个受双过程理论启发的混合框架：用TransFuser++神经网络在常规场景生成类人轨迹，用基于知识图谱推理的风险场驱动元认知组件判断是否切换到模型预测控制规划器，并在CARLA中针对车辆（含救护车）闯红灯的分布外场景测试，结果显示车对车碰撞由160次仿真中的48次降至5次，降幅89%。

该工作提出 LiteTrajEval，一种预算受限的轻量轨迹评估架构：离线导出紧凑的领域专用规则画像，在线对每条轨迹做预处理、标记启发式失败信号、在固定全局预算下序列化，并调用单一评分式 LLM 评审生成结构化诊断报告；在公开的 Magentic-One 风格与 τ-bench 风格轨迹数据集上，相比 AgentRx，其失败定位与人工标注的对齐度在 Magentic-One 上提升约 20–35 个百分点、在 τ-retail 上最高提升 23 个百分点，同时成本降低约 6 倍、评估时间缩短 8 倍以上，并已部署于其企业智能体平台。

该工作提出 LiteTrajEval，一种预算受限的轻量轨迹评估架构：离线导出紧凑的领域专用规则画像，在线对每条轨迹做预处理、标记启发式失败信号、在固定全局预算下序列化，并调用单一评分式 LLM 评审生成结构化诊断报告；在公开的 Magentic-One 风格与 τ-bench 风格轨迹数据集上，相比 AgentRx，其失败定位与人工标注的对齐度在 Magentic-One 上提升约 20–35 个百分点、在 τ-retail 上最高提升 23 个百分点，同时成本降低约 6 倍、评估时间缩短 8 倍以上，并已部署于其企业智能体平台。

该工作提出面向企业智能体技能的持续评测框架，在真实企业VAR系统的两个BVD技能上，用独立计算的实时API真值、运行时解析占位符的模板测试用例，对工具选择、参数、执行顺序与数据库完整性做程序化检查并辅以窄范围LLM裁判；240次自动试验中175次通过全部适用终值数值检查，其中162次（92.6%，Wilson 95% CI 87.7–95.6%）仍存在至少一项评测器检出的偏差，在更宽的七项终态检查下151/164（92.1%，95% CI 86.9–95.3%）仍违反轨迹检查，依赖归因把平均6.34个失败检查压缩为2.65个根因。

该工作提出面向企业智能体技能的持续评测框架，在真实企业VAR系统的两个BVD技能上，用独立计算的实时API真值、运行时解析占位符的模板测试用例，对工具选择、参数、执行顺序与数据库完整性做程序化检查并辅以窄范围LLM裁判；240次自动试验中175次通过全部适用终值数值检查，其中162次（92.6%，Wilson 95% CI 87.7–95.6%）仍存在至少一项评测器检出的偏差，在更宽的七项终态检查下151/164（92.1%，95% CI 86.9–95.3%）仍违反轨迹检查，依赖归因把平均6.34个失败检查压缩为2.65个根因。