一句话看懂：Hugging Face Papers 收录的论文摘要显示，Salesforce 提出 CRM-Agent-Bench，用 555 个多轮、有状态的 CRM 业务任务评测智能体，不只看出答案，还看执行轨迹、运营可行性和规则合规，16 个系统的严格成功率在 64.32% 到 83.60% 之间。
事件核心：发生了什么
根据论文摘要，CRM-Agent-Bench 覆盖 9 个业务领域、36 个能力标签，每个任务都附带一份可执行契约，检查动作、参数、顺序、回复、目标状态和保护状态，只有全部检查通过才算成功。评测同时报告覆盖率、延迟和成本。在经审计的最终版本上，16 个完整智能体系统的严格成功率分布在 64.32% 至 83.60% 之间；摘要提到，领先系统得分接近，但在成本和分领域可靠性上差异明显。需要说明的是，这只是论文摘要，未经全文核验，也不代表已有商用产品上线。
为什么重要
CRM 场景中记录会变、流程有规则、操作有后果，正好对应摘要提出的四个评测维度：结果、轨迹、运营可行性和政策合规。现有的问答式基准难以反映“说对但做错”的风险，而这类执行级基准把商业流程完整性变成可审计的指标。对 AI 智能体从演示走向企业部署而言，这比单轮正确率更接近真实采购与合规需求。
对用户/开发者/创作者的影响
开发者可以按任务契约的思路设计工具调用测试，而不只看最终回复；企业采购方可以要求供应商提供类似的执行成功率、延迟和成本三组数据，避免被单一分数误导。目前公开信息显示，该项目提供 GitHub 仓库并设计了可扩展结构，但暂未披露各系统逐项排名和完整成本曲线，开发者宜关注契约设计本身，而非直接引用名次。
值得关注的后续
一是完整论文是否给出分领域失败原因，帮助定位工具调用与状态管理的薄弱环节；二是这套基准能否被其他企业软件场景复用；三是社区或厂商是否跟进类似执行级评测，以及成本指标会不会成为智能体选型的硬门槛。
