风险感知自适应评测：在有限预算下发现高影响故障

研究提出一种用于交互式 AI 智能体的风险感知情境 Thompson Sampling 评测策略，通过自适应分配测试预算优先挖掘高影响故障。在 70 个 $\tau$-bench 航空场景实验中，仅用 50 次测试（语料库的 6%）即找回 86% 的影响加权故障，发现量达均匀分配的 3.5x。该策略提供 5x 的单成本发现效率，并将零故障场景的预算浪费从 34% 降至 2.8%。