超越任务成功：度量LLM智能体支付系统中的工作流保真度

基于LLM的多智能体系统日益部署于支付工作流，但主流指标——任务成功率（TSR）与智能体交接F1（HF1）——只捕捉最终结果或无序路由决策。我们提出智能体成功率（ASR）：一个轨迹保真度指标，在转移级别比较观测与预期的智能体执行序列，把性能分解为转移召回与转移精确。应用于支付分层多智能体系统（HMASP）跨18个LLM与90,000任务实例，ASR揭示：18个模型中10个在支付结账时系统性跳过确认检查点——这一偏差对TSR与HF1均不可见——而8个模型完美执行检查点。值得注意的是，GPT-4.1在TSR与HF1满分的同时暴露隐藏工作流捷径，而GPT-5.2取得完美ASR。由ASR诊断引导的提示精化与确定性路由护栏带来可观TSR改进，对既往挣扎的模型增益最高+93.8个百分点，证明轨迹级评估在受监管领域必不可少。