**AI 智能体基准测试:揭示自托管应用中的隐性破坏与不可逆变更**

_Show HN: A benchmark that diffs the whole database after an AI agent's task_

> 该基准测试通过比对 AI 智能体操作后的完整数据库快照,而非仅依赖其输出文本,来评估智能体在自托管商业应用(如 Odoo、Invoice Ninja)中的真实表现。测试发现,虽然任务成功率看似稳定,但伴随的“附带损害”和“不可逆变更”显著增加;此外,多步骤任务的成功率极低,且模型难以跨应用迁移。

**来源信息**
- **来源**:Hacker News:AI 热帖
- **分类**:ai-products
- **发布时间**:2026-11-16 12:49(北京时间)
- **原文**:[打开原文](https://github.com/shubhamjoshipromail-svg/software-world-model)