LiveMACE: Process-Aware Evaluation of LLM Agent Capabilities in Evolving Markets
مسئله: معمولاً ایجنت را با نتیجهی نهایی میسنجیم: کار را تمام کرد یا نه، چقدر سود کرد. اما در محیطی که مدام عوض میشود، نتیجه هم به رفتار ایجنت بستگی دارد و هم به شانس و شرایط بیرون. پس از روی نتیجه نمیشود فهمید ایجنت در کدام توانایی خوب است: ابزار را درست ص