Tennisatw的博客 - Blog of Tennisatw

在一批计算化学 Agent 任务中，71 次运行没有提交报告，其中大部分被归为工程或记录问题。本文记录几类失败原因，以及统计任务成绩时需要注意的口径。

重复运行得到相近的评审结果，只能说明判分比较稳定。结合计算化学评测中的数据，讨论稳定性、共同漏检和裁判核验。

不同 LLM 列出的问题数量，既受发现能力影响，也受拆分习惯影响。先将评审结果归并成问题矩阵，才能比较它们查到了什么、漏掉了什么。

计算化学 Agent 的报告可能与实际计算不符。本文通过两个例子，说明为什么需要分别检查任务完成度和报告忠实度，并追溯原始计算文件。

Tennisbot v7 是一个基于 OpenAI Agents SDK 的多会话、多 Agent 个人助手。本文从入口与目录结构讲起，沿着 WebUI/CLI 两条执行链路下钻到会话存储、handoff、工具与多模态输入，记录它如何在“可自修”的约束下迭代到可用形态，并给出关键设计取舍与踩坑复盘。