PlanBench-XL

PlanBench-XL 评估 LLM tool-use agents 在大工具生态里的长程规划，特别是工具可见性受检索限制时的决策。基准包含 327 个零售任务和 1,600+ 工具，要求 agent 发现相关工具、推断隐含子目标并适应动态环境。它把“会调用工具”提升为“在看不全工具目录时仍能规划”的问题。