DuMateBench: Evaluating Autonomous Agents in Complex Real-World Workflows

基准从生产平台匿名会话重建 200 个任务，保留前置对话、持久配置和工作区，再在 Docker 中注入资源不足、不稳定、噪声三种扰动。任务覆盖 8 类场景和 17 类能力，五个框架配四个模型的严格完成率均出现缺口；结果把失败归因到模型能力与框架实现的联合作用，而非只看模型排行榜。