SAGE：服务智能体图引导评估基准

大语言模型（Large Language Models, LLM）的发展推动了客服领域的自动化，然而对其性能进行基准测试仍然充满挑战。现有基准主要依赖静态范式与单维度指标，既未考虑多样的用户行为，也未考虑真实部署中所要求对结构化标准作业程序（Standard Operating Procedures, SOPs）的严格遵守。为弥合这一差距，我们提出SAGE（Service Agent Graph-guided Evaluation），一个用于自动化双轴评估的通用多智能体基准。SAGE将非结构化的SOP形式化为动态对话图，从而能够精确验证逻辑合规性并实现全面的路径覆盖。我们引入对抗性意图分类法（Adversarial Intent Taxonomy）与模块化扩展机制，实现跨领域的低成本部署，并促进自动化对话数据合成。评估通过一个框架进行：裁判智能体（Judge Agents）与规则引擎分析用户智能体与服务智能体之间的交互，以生成确定性的标准答案（ground truth）。对27个LLM在6个工业场景上的大量实验揭示出显著的“执行鸿沟”（Execution Gap）：模型能准确分类意图，却无法推导出正确的后续动作。我们还观察到“共情韧性”（Empathy Resilience）现象：在高对抗强度下，模型尽管底层逻辑已然失败，仍维持着礼貌的对话表象。代码与资源可在 https://anonymous.4open.science/r/SAGE-Bench-4CD3/ 获取。