复现搜索代理基准并计算准确率

目标

目标：在固定问题集上运行检索agent，采用标准答案和明确评分器量化结果。

步骤

1. 固定样例问题、目标模型、工具版本、effort和token task budget；保存每个配置。 [search-eval]
2. 用示例sample(question, max_turns=100)生成回答；保存搜索轨迹、结束状态与原始输出。 [search-eval]
3. 用grade_response计算precision/recall/F1；对BrowseComp类题目使用规定的A/B/C grader并单独报告abstain。 [search-eval]

验证方式

固定版本配置可重复运行；报告样本数、F1/accuracy、abstain和预算/耗时。

故障处理

如评分差异大，检查答案规范化和问题难度分布；标明有限样例结果，不与不同effort/model直接比较。