你的Agent能找到正确的文档，但不会读

正在搭一个企业知识库 Agent，遇到一个具体的麻烦：Agent 能准确锁定正确的文档，跳到对应的表格那一页，但最终给出的答案要么是错的，要么少了一半关键数据。

上周 arXiv 挂出来一个 benchmark，叫 WorkSurface-Bench，专门测试企业 Agent 在跨文档、表格、依赖图上的决策能力——不是测它能不能检索，而是测它知不知道「该去哪儿找」。

WorkSurface-Bench 定义了一个概念叫 surface routing（表面路由）。企业场景里，信息分布在三种表面上：文档（叙事事实）、表格（可计算数据）、依赖图（文件间关系）。接到问题后，Agent 需要先判断这是一个查表题、查文档题、查图题、还是跨表面题。已有的 benchmark 通常跳过了这一步，直接让 Agent 去检索或调工具。

它建了 1,151 个原子任务，来自带人物角色设定的 Workspace-Bench-Lite 工作空间，覆盖四种问题类型。这套 benchmark 的设计原则是所有参考答案都可审计：表格答案通过 DuckDB 查询复现，文档答案定位到具体文本段，图答案追溯到依赖注释。每一条都能回头验，不是那种宣称「信我」就行的 benchmark。

作者用 4 个模型 backbone、6 种 Agent 设置，跑了 27,624 条有效轨迹。在「黄金工具受限」条件下——只给 Agent 正确的工具集——Route F1 高达 98.7-99.8%，几乎不犯路由错误，但 Answer 只有 56.1-75.3%。Agent 几乎从不走错房间，进了房间却有一小半概率拿错东西。

后续干预实验：给模型提示「答案大概率在哪个表面」，3 个模型的准确率都有提升。移除无关工具主要改善路由准确率和效率，对答案质量帮助很小。真正的瓶颈在于读内容，不是选工具。

对真正搭企业 Agent 的人来说，这是个具体信号：问题很可能卡在模型对结构化信息的消化能力上——读表、读图、跨文档关联——还没过关。正确资料都塞到它嘴边了，它还是可能答错。

WorkSurface-Bench 已开源，数据集、构建流水线、评分代码和 Agent 框架都在 GitHub 上。做企业级 Agent 的话，跑一遍 WorkSurface-Bench，就能看到模型在哪层掉链子——是找不对地方，还是找对了但读不明白。

相关链接
- 论文：https://arxiv.org/abs/2607.25765
- GitHub：https://github.com/haolpku/WorkSurface-Bench