HANDBOOK.md 基准：65 个任务测 agent 遵守长政策文档，最佳仅 36.2%

HANDBOOK.md 基准用 65 个 agent 任务测试智能体遵守 20–124 页长政策文档的能力，30 个配置中最佳严格评分通过率仅 36.2%。任务覆盖金融、医疗计费、保险、物流、HR 五个领域、10 家虚构公司，评分依赖 824 条程序化判据。允许一次失败后最高分几乎翻倍，Opus 4.8 (max) 以严格 pass@1 约 23%、pass@(N-1) 近 50% 居首。