由 LLM 驱动的 AI 代理在复杂业务任务中展现潜力，但评估存在挑战。现有基准测试主要集中于简单场景，缺乏对敏感信息的管理能力。Salesforce AI Research 推出的 CRMArena-Pro 基准测试真实评估 LLM 代理在客户服务和销售等领域的表现，包含多轮对话和保密意识测试。研究表明，顶级模型在单轮任务中的准确率约为 58%，而多轮对话降至 35%。