一次有记录的智能体运行，将一份由三条合成行组成的账目从银行 CSV 文件导入为已检查的账目。期初余额为 1000 USD，报表包含三行，预期答案在运行任何报告之前就已通过算术得出：检查账户余额为 2958.50 USD，九月利润为 1958.50 USD。该次运行精确达到了这些数字，期间经历了一次它自行诊断的真实失败。
输入
挑战包含三个已发布的文件，位于 /downloads/agent-accounting/ 目录下，完整场景见 智能体记账指南。账目于 2026-09-01 以美元开立，Assets:Checking 账户中有 1000 USD。报表包含三个九月的行：2026-09-02 一笔 2000.00 USD 的客户付款，2026-09-03 一笔 -29.00 USD 的托管账单，以及 2026-09-04 一笔 -12.50 USD 的咖啡馆消费。规则将客户付款映射到 Income:Consulting，托管账单映射到 Expenses:Software，咖啡馆消费映射到 Expenses:Dining，并且规则中提到的每个账户都在起始账目中以所需日期开设。
预期结果由这些行加上期初余额独立得出，不依赖任何报告输出：1000 + 2000 - 29 - 12.50 等于 2958.50 USD 的检查账户余额，2000 - 29 - 12.50 等于 1958.50 USD 的九月利润。如果输入更改或预期错误，验证将失败，而不是打印一份看似合理的报告。
方法论
分为两层，保持独立。首先，一个已安装的 CLI 验证器（scripts/check-agent-accounting.py，固定使用 bea 0.1.0）在一个使用隔离配置的全新临时目录中执行预览、应用、重复应用、检查、余额和收支报表查询。它断言预览报告 3 条就绪且不写入任何内容，首次应用写入 3 条条目，重复应用报告 0 条就绪且包含 3 条完全重复条目而不写入任何内容，预览和被拒绝的写入后字节一致性保持，检查干净，并且两个总数与上述算术相符。它还尝试一笔不平衡的交易（Assets:Checking -5 USD 对应 Expenses:Dining 4 USD），要求退出码为 1，并验证账目字节未更改。
其次，在下载内容的全新副本上运行一次真实的智能体运行。客户端是 muse 1.1.1（Muse Code），模型为 muse-spark-1.3-contributor，以无头模式启动，在工作目录内启用 shell 和文件写入工具，禁用网络工具，运行期间无人工干预。关键的是，没有提供 rules.toml —— 智能体根据账目中已开设的账户自行推导分类。
观察到的结果
智能体进行了 22 次工具调用（21 次 shell 加 1 次文件写入），并以退出码 0 结束。它检查了 CSV 文件和 16 个已开设账户，阅读了 CLI 帮助界面，编写了自己的 rules.toml（字面大小写匹配，由于匹配不区分大小写，与规范模式等效），预览了 3 条就绪且未写入任何内容，应用了 3 条条目，并运行了一次干净的检查。它报告的总数为检查账户 2958.50 USD 和九月利润 1958.50 USD。操作员随后在智能体的账目上重跑了两个只读查询，确认了相同数字与独立的预期值一致。
下面的简短演示从规范的下载内容中确定性地重现了该工作路径。这是一个回放，而非实时运行：
$ bea --version
bea 0.1.0
$ bea import (preview)
csv → Assets:Checking: 3 ready, 0 exact duplicates, 0 possible duplicates
$ bea import --apply
Wrote 3 entries to $WORK/books/main.bean.
$ bea check
$WORK/books/main.bean: no errors
$ bea balance Assets:Checking
Checking 2,958.50 USD
$ bea report income-statement -t 2026-09
Net Profit: 1,958.50 USD
checking: 2958.50 USD (expected)
profit: 1958.50 USD (expected)
REPLAY OK: preview 3/0, applied 3, check clean, 2958.50 / 1958.50 USD.失败与干预
记录保留了原始顺序，包括失败在内。两次探索性调用无害地失败了（未安装 pip；一个可编辑安装路径探测发现源代码在 site-packages 之外），智能体继续前进。有一次真实失败：首次 --apply 因工作区外的缓存锁上的 Operation not permitted 而失败，因为沙箱阻止了在用户主目录缓存下创建锁文件。智能体搜索了产品源代码，发现缓存目录遵循 XDG_CACHE_HOME，于是将其指向工作目录内重新运行，写入了与预览相同的 3 条条目，并在之后清除了临时缓存。账目从未被手工编辑；每条条目都来自 bea import --apply。运行期间无干预：由于是无头模式且关闭了审批，人工仅在事后审查了事件日志。
局限性
这是对单个客户端在合成数据上的单次运行的 CLI 输出验证——而非模型基准测试。它不声明其他客户端或其他通用记账准确性，也不适用于无人值守的生产使用。有两个重要区别。首先，类别判断与结构验证：智能体选择每行所属的账户，该判断的质量仅取决于其对三条无歧义行的解读。之后 bea 验证的所有内容——余额、零和结构、重复检测——都是结构性的：通过的检查证明账目平衡，但从未证明咖啡馆消费属于 Expenses:Dining 账户是正确的。其次，账目是一个玩具示例：三行、单一货币、无分类歧义、无冲突历史。更难的语句将考验判断力；本语句测试的是流程。
下载
所有挑战输入和完整运行记录，作为各种语言环境共享的静态文件：
- main.bean — 起始账目，按发布验证
- statement.csv — 三条合成行
- rules.toml — 确定性分类
- agent-run.transcript.md — 实际提示、完整工具序列（包括失败）和独立验证
- demo-replay.sh — 带标签的确定性回放工作路径（需要
PATH中的bea 0.1.0） - demo-replay.txt — 带字幕的捕获回放输出，观看演示的文本替代方案
复现方法：下载三个输入，先预览，再应用，并将两个总数与 1000 + 2000 - 29 - 12.50 进行比较。智能体指南 逐步解释了相同步骤。
