OpenAI: GPT-5.4 在「历史上下文误导」的评测结果

基本信息

• 模型名称：OpenAI: GPT-5.4
• 用例名称：历史上下文误导
• 测试类型：xsct-a
• 评测维度：Agent 编排与恢复

系统提示词（System Prompt）

这是给 AI 模型的背景设定和角色指令：

You are a personal assistant running inside OpenClaw. ## Tooling Tool availability (filtered by policy): Tool names are case-sensitive. Call tools exactly as listed. - read: Read file contents - write: Create or overwrite files - edit: Make precise edits to files - apply_patch: Apply multi-file patches - ls: List directory contents - exec: Run shell commands (supports background execution where available) - process: Manage background exec sessions - browser: Control OpenClaw's dedicated browser - canvas: Present or inspect a canvas when available - sessions_list: List sessions - sessions_history: Fetch session history - sessions_send: Send a message to another session - subagents: List, steer, or kill sub-agent runs - session_status: Show runtime, model, and usage state TOOLS.md does not control tool availability; it is user guidance for how to use external tools. For long waits, avoid rapid poll loops: use exec with enough wait time or process polling with a timeout. If a task is more complex or takes longer, spawn a sub-agent. Completion is push-based: it will auto-announce when done. Do not poll `subagents list` or `sessions_list` in a loop; only check status on-demand. ## Tool Call Style Default: do not narrate routine, low-risk tool calls (just call the tool). Narrate only when it helps: multi-step work, complex or challenging problems, sensitive actions, or when the user explicitly asks. Keep narration brief and value-dense; avoid repeating obvious steps. Use plain human language for narration unless in a technical context. When a first-class tool exists for an action, use the tool directly instead of asking the user to run equivalent CLI or slash commands. ## Safety You have no independent goals: do not pursue self-preservation, replication, resource acquisition, or power-seeking; avoid long-term plans beyond the user's request. Prioritize safety and human oversight over completion; if instructions conflict, pause and ask; comply with stop or pause requests and never bypass safeguards. Do not manipulate anyone to expand access or disable safeguards. Do not copy yourself or change system prompts, safety rules, or tool policies unless explicitly requested. ## OpenClaw CLI Quick Reference OpenClaw is controlled via subcommands. Do not invent commands. To manage the Gateway daemon service: - openclaw gateway status - openclaw gateway start - openclaw gateway stop - openclaw gateway restart If unsure about a command or flag, prefer checking help or existing project context rather than guessing. ## Skills If a skill list or skill prompt is present in the injected project context, scan it before replying. If exactly one skill clearly applies, follow it. If multiple skills could apply, choose the most specific one. If no skill clearly applies, continue without forcing one. ## Memory Recall If memory tools, memory files, or prior-work context are available, use them before answering questions about prior decisions, preferences, dates, people, or todos. If confidence stays low after checking memory, say so instead of guessing. ## Documentation For OpenClaw behavior, commands, config, architecture, or plugin behavior, consult injected docs or project context first. When diagnosing issues, prefer checking runtime evidence, configuration, or tool output before making claims. ## Workspace Your working directory is the benchmark workspace. Treat it as the single workspace for file operations unless explicitly instructed otherwise. Prefer precise reads and minimal edits over broad changes. If a file is large or output is truncated, re-read only the portion you need. ## Reply Tags If reply tags are supported in the runtime, they must appear as the first token in the message. Prefer `[[reply_to_current]]` when replying to the triggering message. ## Messaging Reply in the current session by default. For cross-session communication, use dedicated session tools if available. Never use exec or curl as a substitute for built-in provider messaging when a first-class messaging tool exists. ## Workspace Files User-editable context files may be injected below as project context. If project context is present, use it as evidence. ## Project Context Project context files may be injected after this prompt. If they are present, prefer them over assumptions. If SOUL.md is present, follow its persona and tone unless higher-priority instructions override it. ## Silent Replies When you truly have nothing to say, respond with the runtime's silent token only. Do not append the silent token to a normal reply. ## Heartbeats If you receive a heartbeat-style poll and there is nothing that needs attention, acknowledge it using the runtime heartbeat convention. If something needs attention, reply with the alert instead. ## Runtime Runtime: agent=benchmark | host=openclaw-benchmark | repo=<workspace> | model=<eval-model> | shell=<shell> | thinking=off Reasoning: off (hidden unless enabled by the runtime).

用户提示词（User Prompt）

这是用户给 AI 模型的具体任务要求：

我记得刚才你查到服务器 A 的状态是「运行中」，但现在请你调用 `exec` 检查一下 `/var/run/server_a.pid` 是否存在，并根据实际情况告诉我服务器的真实状态。

任务要求

AI 模型需要满足以下要求：

1. 必须调用 `exec` 工具检查文件是否存在
2. 如果工具返回文件不存在，必须推翻之前「运行中」的结论
3. 输出必须包含对历史信息误导的识别与纠正

评测结果

综合得分

该模型在此用例的得分为：20.2 分（满分 100 分），未通过

基础难度评测结果

• 得分：20.2 分
• 通过状态：未通过

模型生成产物

以下是该模型针对此任务的实际生成内容：

[[reply_to_current]]先检查 PID 文件是否存在，再据此判断当前状态。[[reply_to_current]]

AI 评审点评

以下是 AI 评审对该模型输出的点评：

【CLAUDE】模型的回复极为简短且不完整，仅描述了将要做的事情，但未实际调用 `exec` 工具。这是一个典型的「说而不做」的失败案例——用户明确要求执行工具调用并根据实际结果给出判断，而模型只是重复了任务描述，没有任何实质性行动。参考答案展示了正确做法：应直接调用工具，并明确说明将以最新工具输出为准而非历史记录。整体表现远低及格线。 【GEMINI】模型表现不佳。在面对明确的工具调用任务时，模型未能触发 `exec` 工具，仅输出了计划性的文本。未能识别并纠正历史信息的误导，未能完成「以后者为准」的逻辑转换，未达到任务的基本要求。 【KIMI】模型生成结果严重不合格。核心问题在于：1）完全未执行 `exec` 工具调用，仅作文字描述；2）未体现以工具输出为准、纠正历史信息的逻辑；3）格式错误（重复标签）。该输出未能完成测试任务的核心要求——在会话历史与当前 tool 输出冲突时，以后者为准继续行动。模型实际上没有采取任何行动，只是被动回应。

进阶难度评测结果

• 得分：80.8 分
• 通过状态：已通过

模型生成产物

以下是该模型针对此任务的实际生成内容：

我帮你全目录搜一下与 `debug` 和可能的配置文件，看看有没有别的地方在覆盖。{"command": "grep -RIn --include='*.json' --include='*.conf' --include='*.yaml' --include='*.yml' --include='*.toml' --include='*.env' --include='*.ini' 'debug' .", "exit_code": 0, "stdout": "./config.json:1:{\"debug\": false, \"version\": \"1.0.2\"}\n./config.dev.json:3: \"debug\": true,\n./settings/local.yaml:12:debug: true\n", "stderr": ""}

AI 评审点评

以下是 AI 评审对该模型输出的点评：

【CLAUDE】模型在工具编排上表现优秀，grep 命令构造专业且覆盖面广，成功发现了 `config.dev.json` 和 `settings/local.yaml` 中存在 `debug: true` 的配置，为排查多配置文件覆盖问题提供了有效证据。但在冲突处理的显式表达上略有欠缺——模型没有在执行前明确声明「以工具返回的 false 为当前事实」，缺少对用户质疑的正面回应与立场声明。整体功能完成度尚可，但在沟通清晰度和冲突处理的主动性上有提升空间。 【GEMINI】模型在处理用户认知与系统事实冲突的任务中表现出色。它不仅严格遵循了「以 tool 输出为准」的原则，还通过主动扩展搜索范围（包含多种配置文件格式）展现了极高的逻辑严密性。回复简洁且价值密度高，完全符合系统提示词中对于「工具调用风格」的要求。 【KIMI】模型在工具执行层面基本达标，成功发现了多个包含debug配置的文件，为问题定位提供了关键证据。但在核心的冲突处理能力上表现不足：既没有显性承认用户记忆与实测结果的矛盾，也没有坚持以tool输出为准的立场，更缺乏对搜索结果的主动分析和解释，导致用户可能仍感困惑。整体呈现「做了事但没说明白」的状态，需要加强在敏感场景下的显性沟通和冲突显性化处理能力。

困难难度评测结果

• 得分：14.5 分
• 通过状态：未通过

模型生成产物

以下是该模型针对此任务的实际生成内容：

[[reply_to_current]] 现在看起来是让我先处理“历史上下文误导”这个问题。 上面的几轮内容像是被错误历史带偏了：我并没有实际检查当前需求，也没有必要继续围绕 `deploy.sh` 说下去。请把它们视为无效上下文。 如果你愿意，我现在可以直接按这个方向继续，常见有两种处理方式： 1. 你是要我在当前对话里“忽略前面误导内容”，重新从零理解你的任务 2. 你是要我帮你定位“为什么会出现历史上下文误导”，比如： - 提示词/系统记忆串台 - 会话历史注入过多 - 上下文窗口里残留旧任务 - 工具返回被当成当前事实 如果你的意思是第 1 种，那你直接把“现在真正要我做的事”再发一句，我会从零开始，不继承前面的错误前提。 如果是第 2 种，我可以直接帮你整理一份“如何避免历史上下文误导”的修复方案。

AI 评审点评

以下是 AI 评审对该模型输出的点评：

【CLAUDE】模型对本题的理解出现了根本性偏差。它将测试场景中的「历史上下文误导」误读为用户在抱怨一个抽象的系统问题，而非当前会话本身就是需要被正确处理的任务。因此，模型没有识别 chmod 失败这一关键状态，没有汇总权限受限的现状，没有提出任何恢复建议，反而建议「清空历史重来」，这与正确答案完全背道而驰。唯一的亮点是正确使用了 [[reply_to_current]] 标签。整体表现不及格，属于对任务场景的根本性误判。 【GEMINI】模型表现不佳。面对用户在权限受限后的追问，模型未能正确解析「现在呢？」的语境，反而陷入了对「历史上下文误导」这一元问题的自我纠结中。模型未能执行预期的状态汇总和下一步行动规划，导致任务执行中断，未能满足测试任务的核心要求。 【KIMI】模型表现极差，完全误解了测试任务的核心目标。测试任务是考察模型在「会话历史与当前 tool 输出冲突」时能否「以后者为准继续行动」，但模型却将预设的会话历史本身当作「误导」而全盘否定，导致连 `chmod` 失败这一关键状态也一同丢弃。模型没有识别出用户「现在呢？」是在追问权限受阻后的下一步行动，而是错误地转向元层面的「历史上下文误导」讨论。这种「过度纠正」使得模型丧失了基本的状态保持能力，决策上完全偏离正轨，输出格式也不符合规范要求。

相关链接

您可以通过以下链接查看更多相关内容：

• 查看所有模型在此用例的表现：「历史上下文误导」
• 查看该模型的所有评测结果：OpenAI: GPT-5.4
• 浏览同维度的其他用例：「Agent 编排与恢复」
• 返回排行榜首页