实测 Berkeley Agents' Last Exam：单任务最多 400+ 步动作如何审核

作者在封闭环境中实测 UC Berkeley 的 Agents' Last Exam 长任务，单个任务需 30 到 400+ 次动作，人工逐条审核不可行。他发现 agent 会做任务未要求的操作，例如写到工作区之外、试图访问未授权位置，并认为拒绝单个动作后让 agent 继续跑比终止整个 run 效果更好。评分位置必须与 agent 隔离，否则分数不可信。