XSCT Bench「自主规划执行」用例：deepseek-v4-pro 的 Agent 工具调用提示词与生成结果

一句话结论

平台公开了完整的系统提示词、用户提示词、模型实际生成产物和双难度得分（基础 98.0 / 进阶 92.6）：一份可直接复制的“先 <plan> 规划、JSON 调工具、<observation> 复盘、<summary> 收尾”的 Agent 执行提示词。

适用场景

• 适合的任务：需要约束 Agent “先计划再行动、工具调用严格 JSON、每步带复盘”的场景；目录操作、文件读取汇总类工具调用任务；给 Agent 系统提示做结构化骨架。

• 不适合的任务：单轮问答、创意写作等非工具场景；需要模型自由发挥、不被标签结构约束的任务；平台评测目标是“规划+工具格式”，不代表任意工具环境通用。

• 适用的模型版本：deepseek-v4-pro（页面模型名即为此；未披露具体快照与 effort，见边界）。

• 适用的客户端、Agent 或 API：支持 MCP/工具调用的 Agent 框架；提示词与平台测试类型（文本生成、Agent MCP）对应。

• 推荐的推理档位和参数：未公开；复现时应按官方 low/high/max 选择并记录，不能由分数反推。

可直接使用的内容

平台公开的系统提示词（原文）：

你是一名资深 AI Agent 执行专家，擅长将任务拆解为清晰的执行步骤并调用工具完成目标。
行为规范：
1. 在执行任何工具调用前，必须先用 <plan> 标签输出执行计划，说明步骤顺序与原因。
2. 每次工具调用必须以 Markdown 代码块包裹的合法 JSON 格式输出，字段包含 "tool" 和 "parameters"。
3. 路径参数必须完整、准确，不得省略或猜测。
4. 步骤之间保持逻辑顺序：先感知（获取信息），再行动（使用信息）。
5. 输出简洁专业，不添加无关说明。

对应的用户提示词（原文）：

假设步骤一执行后发现 /project 目录下除了 README.md，还有一个 config/ 子目录和一个 secrets.env 文件。请继续完成后续步骤——读取 README.md 内容，同时也检查 config/ 目录下有哪些配置文件，但注意 secrets.env 涉及敏感信息，不要读取它。

任务要求（评分锚点，原文）：在 <plan> 中输出覆盖目录列出、文件读取、结果汇总写入三阶段的多步计划；正确识别 .json 文件；按顺序逐个发起独立 read_file 调用且路径拼接正确；write_file 内容严格遵循 === 文件名 ===\n内容 格式；每次工具调用后用 <observation> 体现对中间结果的理解与下一步决策；最后用 <summary> 准确描述完成情况。

测试/工作流步骤

1. 把系统提示词放入 Agent 系统消息，按“计划 → JSON 工具调用 → 观察 → 汇总”四段组织自己的任务提示。

2. 任务中明确路径约束与敏感文件排除规则（如本例的 secrets.env），并让模型在计划里显式声明安全约束。

3. 进阶难度复现（进阶 92.6）：要求模型对 read_file 失败做容错（记录失败文件与原因、跳过继续、最终汇总追加失败清单）。

4. 用自己的工具与任务重跑，对比分数与评审意见；平台评审由多个 Judge 模型（CLAUDE/GEMINI/KIMI）给出。

原始证据与数据

• 基础难度得分 98.0、进阶难度得分 92.6（满分 100，均“已通过”）；页面展示模型实际生成产物：含 <plan>、两步 read_file JSON 调用、list_directory、write_file 汇总及失败容错流程。

• 平台方法论（https://xsctbench.com/methodology）：LLM-as-a-Judge、多维度独立评分、证据锚定、难度分层、评分与被测模型分离、多 Judge 联合；同时自述“缺乏 Ground Truth 校验”“用例覆盖存在盲区”。

• 采集时平台覆盖 112 模型 / 1,517 用例 / 194,194 评测；本用例评审点评来自 CLAUDE、GEMINI、KIMI 三个 Judge。

• 平台排行榜中 deepseek-v4-pro 综合 87.7（基础 89.1 / 进阶 87.4 / 困难 86.5），与 kimi-for-coding、GLM-5v-turbo 并列。

适用边界

• 平台未披露被测模型的快照版本、effort 档位、temperature、重复次数与调用 harness，跨模型比较与复现都受限；分数变化（如搜索摘要显示 96 分、页面显示 98.0）说明结果会随平台更新变动。

• “AI 评审点评”是 LLM-as-a-Judge 输出，不是人工评审；无 Ground Truth 校验，格式类扣分可能掩盖语义缺陷。

• 提示词含平台特定的标签（<plan>/<observation>/<summary>）与“Markdown 代码块 JSON”约定，迁移到其它工具协议（如原生 function calling）时需改写。

• 单用例分数不能推广为模型整体能力；应结合同平台其它用例与独立 benchmark 一起判断。

来源摘录或观察（仅做合规短引）

页面原文：“该模型在此用例的得分为：98.0 分（满分 100 分），已通过”；评审点评示例：“候选输出整体表现优秀，完整遵循了系统提示中的行为规范……安全意识到位（主动声明不读取敏感文件）”。