实测让 AI Agent 静默失败：100 次任务中的 8 次误判风险

作者用 Claude Sonnet 作为工具调用 Agent 执行 100 个任务，其中 20 个被故意设为不可能完成。结果显示 Agent 未在失败时谎报“完成”，但在 8 次运行中仍写入了不完整文件，若下游流水线以文件存在而非状态码判断成功，会把约 8% 的运行记为完成。该实验为单方小样本测量，作者称数据来自自建日志，尚待复现。

AI推荐理由 作者自述用 Claude Sonnet 跑 100 个任务（含 20 个故意不可能完成的任务），报告静默失败 0/100，但有 8 次留下半成品文件，若流水线只检查文件存在会误判成功。这是对 Agent 可靠性评估有参考价值的具体实验设计，但为个人博客、样本仅 100 次、无第三方复现，且文中自述有 AI 辅助写作，结论需谨慎看待。