Sierra开源了Hyper-τ-bench基准，用于测试AI代理能否自主构建另一个代理。结果显示，最佳模型组合得分仅23.9%，远低于人类辅助的82.2%。代理常过早停止研究、提问不足、缺乏实验，尤其在银行业务上表现差。这表明自主开发代理在信息收集和设计判断上仍有明显局限。