评测企业级数据 Agent 缺一个真规模的环境：Argo-Bench 用一个 8100 万订单的模拟外卖平台来考

arXiv 2610.02122《Argo-Bench: Evaluating Data Agents on Enterprise-Scale Workflows》（Gabriel Tomitsuka、Arman Raayatsanati 等，2026-10-01 提交）。作者的出发点是现有 benchmark 的两个问题：text-to-SQL 只考查询生成、不考后续决策，而且已有审计发现不少答案键本身就是错的；真企业仓库太敏感没法公开，于是公开数据集上大多只有一个表就能装下一个业务事件。Argo-Bench 的做法是造一个真规模的世界：以纽约外卖平台为原型，2024 年 8100 万订单、带经济模型、欺诈模式与市场激励，导出一个 235 张表、75 亿行的企业仓库（按 Oracle E-Business Suite 的 schema 建模）。关键设计是「模拟器的真实状态对 agent 不可见」：任务必须先在企业仓库里重建事实，再做动作。它考的也不止 SQL——agent 要真的执行动作，比如封禁欺诈账号、分配骑手激励预算、补发工资，评分按这些动作在模拟器里产生的后果来算；每道题都附一个可执行的标准解，证明只用仓库就能解出来。在最强的 14 个前沿与开源模型里，只有 34.8% 的任务上它们能拿到 95 分以上。