AppWorld

AppWorld由研究团队构建，模拟九类常用App及其API，要求智能体通过编写代码调用接口完成复杂任务，如订机票并同步日历。它强调交互式、多步骤和真实约束，用于衡量智能体的规划、工具使用与错误恢复能力，是评估通用智能体落地水平的重要测试床。