现有智能体评测多假设工具集是固定的。Δτ-Bench把这个假设拆掉：独立演化的服务会不断改写任务完成方式，熟悉工具可能消失或被替换，更高效的替代方案会在功能重叠和嘈杂文档中出现。它要检验的，是智能体能否主动发现高效工具路径，并及时修正已经积累的流程知识——这两点是现有基准很少同时考察的。

六代生态里的1588个任务

该基准包含1588个经过验证的多轮任务，覆盖42个领域，并给出六代连续的生态状态。这些状态通过能力保持变换生成：任务在理论上仍可完成，但路径已经变了。对智能体而言，旧流程可能突然失效，新工具也可能更省事，但文档并不干净。作者将其称为推向移动能力边界的可执行评测。

技能学会了，生态一变就掉队

评测显示，即使最强的被测模型或harness，任务成功率也只有42.3%。现有技能学习方法的初期收益，并不能稳定转化成生态演化后的适应能力。学会一批技能，不等于下次工具换了还能改。

作者因此提出Steward，一个同时管理工具与流程知识的生态管理器：增量维护技能，并在任务执行中动态供给。实验称它能在生态变化中维持更高任务成功率、降低技能维护开销，同时改善工作流被打断后的恢复，以及采用更高效替代方案。摘要未给出Steward的具体成功率数字，这里不作外推。

我的判断

把「工具会变」写成可执行基准，比静态工具调用评测更接近真实产品环境。42.3%说明当前短板不在单次调用，而在程序性知识的更新。Steward的方向合理，但材料只有相对结论，还不能判断它离可用有多远。适用边界也很清楚：它检验的是工具生态结构演化下的适应，不是开放网页、长程代码仓库或对抗环境。作为开发者，更值得记下这个问题本身——智能体若不能改掉旧习惯，技能库会变成负债。