π-Bench：评估长周期工作流中的主动式个人助理代理

π-Bench是一个评估主动式个人助理代理的基准，包含100个多轮任务，覆盖5个领域用户画像。它通过隐藏用户意图、任务间依赖和跨会话连续性，衡量代理在长时程交互中预测和满足用户需求的能力。实验表明主动式辅助仍具挑战，任务完成与主动性存在明显区别，且先前交互对后续意图解决有价值。