uji sejati sebuah agen otonom bukanlah seberapa banyak tindakan yang dapat diselesaikannya. tapi apa yang terjadi ketika satu gagal. @TheARCTERMINAL mengatakan ia menjalankan lima agen otonom di Ethereum melintasi 27 jenis tindakan, dengan penyelesaian onchain dan tanpa pengendali pusat. 27 tindakan itu menarik. jalur kegagalan lebih menarik. apakah agen mendeteksi kegagalan tersebut? apakah ia mencoba ulang dengan aman? dapatkah ia berhenti sebelum satu langkah buruk memicu efek domino? dapatkah agen lain melanjutkan tanpa mewarisi kesalahan tersebut? apakah catatan membuat kegagalan itu jelas setelahnya? otonomi terlihat mengesankan ketika semuanya berjalan lancar. keandalan muncul ketika tidak demikian. itulah mengapa saya lebih suka melihat benchmark agen mencakup kualitas pemulihan, bukan hanya eksekusi sukses. agen AI sedang berpindah dari antarmuka obrolan ke sistem yang mengubah keadaan eksternal. pada titik itu, kegagalan yang elegan menjadi sebuah kemampuan. jika Anda mengevaluasi sebuah agen otonom, apakah Anda lebih peduli pada tingkat keberhasilan atau perilaku pemulihan?