行为实验¶
状态： 证据工具，2026-11-01。该实验不是稳定的公开 API。
行为实验在十六个已接入实现中运行具名 agent 场景，并生成一份对比报告。agent-capable 层级为 Go、Python、TypeScript、Java、Rust、R、C#；extended 层级为 C、PHP、Fortran、COBOL、Ruby、Elixir、Erlang、C++、Lua。其他已声明实现属于 optional，不在当前行为计划内。它回答的问题比兼容性实验更窄：当通过各实现自己的测试套件执行时，它们是否对授权、生命周期、取消、输入校验、调用上限、并行工具执行、run 状态隔离、PII、checkpoint、容量和流失败做出相同决策？
它不证明完整功能对齐、provider 行为、真实服务集成、生产就绪或安全性。报告通过只比较所列场景。
能力层级¶
行为层级与契约层级相互独立，定义见支持政策。
| 层级 | 语言 | 当前状态 |
|---|---|---|
| Agent-capable | Go、Python、TypeScript、Java、Rust、R、C# | 每个 agent-capable 实现均为 20/20 |
| Extended | C、PHP、Fortran、COBOL、Ruby、Elixir、Erlang、C++、Lua | C/COBOL/Ruby/C++/Elixir/Erlang/Lua/PHP/Fortran 20/20 |
| Optional | 其他已声明实现 | 不在当前行为计划内 |
R 和 C 现已接入。C# 与 PHP 包含三个生命周期场景；R 和 C 对原生套件实际断言的场景提供覆盖。COBOL 0.3.0 通过原生套件覆盖全部二十个场景；其中 parallel-tools 将并发执行委托给调用方提供的批处理调度器，原生测试验证批处理上限和结果顺序，而不是 OS 线程。Ruby 0.3.0 也通过原生套件达到 20/20，覆盖取消、流式回调、SSE 截断/半包、有限并行工具和按 run 隔离的调用上限。C++ 0.3.0 也通过 std::async 并行工具和原生 SSE parser 达到 20/20。Elixir 0.3.0 通过 Task.async 并行工具、取消、流式回调和原生 SSE parser 达到 20/20。Erlang 0.3.0 通过 spawned-process 并行工具和相同生命周期覆盖达到 20/20。Lua 0.3.0 通过调用方提供的 batch_invoke 协作工具、取消、流式回调和原生 SSE parser 达到 20/20。PHP 0.3.0 通过 batchToolInvoker 中的 Fiber 并行工具达到 20/20。Fortran 0.5.0 通过取消、流式回调、原生 SSE parser 和调用方提供的并行批处理回调达到 20/20。
范围¶
下表展示四个原始核心实现的场景级证据。agent-capable 的 Rust、R、C#，以及已接入的 extended 语言，见矩阵。
| 场景 | 检查的行为 | Go | Python | TypeScript | Java |
|---|---|---|---|---|---|
final-arguments |
修改后的参数在产生效果前重新授权 | scenario | scenario | scenario | self-test group |
final-name |
最终 name 同时检查 allowlist 和 policy | scenario | scenario | scenario | self-test group |
unchanged-single-auth |
未变化的调用只授权一次 | scenario | scenario | scenario | self-test group |
initial-denial |
初始拒绝阻止 middleware 和效果 | scenario | scenario | scenario | self-test group |
startup-cleanup |
before-run 失败清理已进入的 middleware 且不发 run 事件 | scenario | scenario | scenario | self-test group |
after-run-continue |
前序失败后仍继续执行后续 after-run 回调 | scenario | scenario | scenario | self-test group |
cleanup-failclosed |
清理失败使成功的 run 失败关闭 | scenario | scenario | scenario | self-test group |
model-cancel-cleanup |
模型阶段取消会执行 after-run 并发出 failed | scenario | scenario | scenario | self-test group |
tool-cancel-cleanup |
工具阶段取消会停止效果并执行 after-run | scenario | scenario | scenario | self-test group |
schema-number-unicode |
拒绝小数形式的 integer，字符串长度按 Unicode code point 计算 | scenario | scenario | scenario | scenario |
call-limit |
模型和工具调用上限失败关闭 | scenario | scenario | scenario | self-test group |
pii-tool-history |
嵌套工具调用历史被脱敏且不修改输入 | scenario | scenario | scenario | scenario |
checkpoint-content |
allowlist 往返保留嵌套 payload 内容 | scenario | scenario | scenario | scenario |
capacity-failclosed |
上下文预算不足时失败关闭，不静默丢弃必需输入 | scenario | scenario | scenario | self-test group |
parallel-tools |
工具按上限并发启动并保持结果顺序 | scenario | scenario | scenario | self-test group |
run-state-isolation |
调用上限状态在并发 run 之间隔离 | scenario | scenario | scenario | self-test group |
stream-callback-error |
流回调失败中止 run，而不是继续完成 | scenario | scenario | scenario | scenario |
sse-truncated |
未完成的 SSE 流被拒绝 | scenario | scenario | scenario | self-test group |
sse-half-packet |
SSE 半包失败，不被静默丢弃 | scenario | scenario | scenario | self-test group |
hitl-decision |
中断调用执行 approve、edit、reject、respond 决策 | scenario | scenario | scenario | self-test group |
scenario 表示为该行为命名的测试。self-test group 表示一个 Java self-test 可执行文件覆盖多个场景，因此组通过不能定位到具体场景断言。报告保留这一区别，不把组覆盖当作场景级证据。
Go 参考通知完整性¶
v2.7.0 调整 Go 参考实现：批次中一个工具失败后，仍为每个已执行工具发送 task-end 流与
OnToolResult，同时批次仍返回首个错误。这不在上述二十个场景内，也不对其他实现作声明。
Python、TypeScript、Java 与扩展语言没有相同的 OnToolResult 和 task-end 流表面；其并行
结果收尾路径返回首个错误，跨语言通知完整性仍未验证。参见
Execution Correctness Suite 的 EC-01。
扩展覆盖¶
| 场景 | Rust | Fortran | COBOL | Ruby | Elixir | Erlang | C++ | PHP | C# | Lua |
|---|---|---|---|---|---|---|---|---|---|---|
schema-number-unicode |
scenario | unsupported | native suite | native suite | native suite | native suite | native suite | native suite | native suite | native suite |
call-limit |
scenario | native suite | native suite | native suite | native suite | native suite | native suite | native suite | native suite | native suite |
pii-tool-history |
scenario | native suite | native suite | native suite | native suite | native suite | native suite | native suite | native suite | native suite |
checkpoint-content |
scenario | native suite | native suite | native suite | native suite | native suite | native suite | native suite | native suite | native suite |
capacity-failclosed |
scenario | native suite | native suite | native suite | native suite | native suite | native suite | native suite | native suite | native suite |
run-state-isolation |
scenario | unsupported | native suite | native suite | native suite | native suite | native suite | native suite | native suite | unsupported |
native suite 表示该实现的完整原生测试可执行文件通过；它不是场景隔离断言，因此不能仅凭该单元格定位具体场景失败。所有已接入语言均覆盖二十个场景；报告仍会显式列出每个单元格。
C# 和 PHP 还对 final-arguments、final-name、unchanged-single-auth 和
initial-denial 提供原生套件覆盖。C、PHP、Fortran、COBOL、Ruby、Elixir、Erlang、C++ 和 Lua 对全部二十个场景提供原生套件覆盖，包括取消、流式回调失败、SSE 截断/半包、并行工具和 run-state isolation。完整的单元格矩阵和逐语言报告见
行为实验矩阵。
运行¶
在仓库根目录，先构建 TypeScript、编译 Java 测试类，并构建 C++ 测试：
cd language/typescript; npm ci; npm run build; cd ../..
cd language/java; mvn -q -DskipTests test-compile; cd ../..
cmake -S language/cpp -B language/cpp/build
cmake --build language/cpp/build
python scripts/behavior_lab.py --strict --timeout 300
python scripts/behavior_lab.py --strict --timeout 600 --languages go,python,typescript,java,rust,fortran,cobol,ruby,elixir,erlang,cpp,php,csharp,lua,r,c
十六语言运行需要 Rust 工具链，以及 gfortran、gnucobol、g++、C/C++ 构建目录、CMake、Ninja、Ruby、Elixir 1.20.4/Erlang OTP 29、PHP 8.4、.NET 8 SDK、R 和 Lua 5.4；Fortran 会构建 pinned RE2 bridge。Fortran/COBOL/Erlang/C++/PHP/C#/Lua/R 原生套件、C ctest 套件、Ruby 测试运行器和 Elixir mix run 套件在一次报告内缓存，各执行一次。scripts/cpp_behavior_suite.py 会在调用 ctest 前把 C++ 编译器运行时目录加入 PATH。运行前先构建 C 套件：
cmake -S language/c -B language/c/build
cmake --build language/c/build
--strict：对四个已接入场景的核心语言，只要出现failed、skipped、not_run或unsupported单元格就失败；其他层级的缺口保留为unsupported。--languages go,python：只运行指定语言。--timeout 300：设置单条命令超时。--output-dir build/behavior-lab：修改报告位置。
每次执行会生成独立目录：
build/behavior-lab/<run-id>/report.jsonbuild/behavior-lab/<run-id>/report.mdbuild/behavior-lab/latest.json（指向最新报告的指针）
报告记录 run ID、UTC 起止时间、运行前采集的 Git revision 和 dirty 状态、平台、每个场景、所用命令、退出码、耗时，以及有长度限制的 stdout/stderr 尾部。单元格状态为 passed、failed、skipped、not_run 或 unsupported。旧运行目录不会被覆盖；latest.json 只是便利指针。
当前证据¶
2026-11-02 的 commit b6218e5 clean-tree Linux CI 运行（run 20261102T074406Z-700663b3）通过十六语言集合：320 passed、0 个显式 unsupported、无失败；behavior job 及其 artifact 是 commit b6218e5 的历史证据；当前 revision 需重新运行。行为实验矩阵 反映该报告并链接同一 job。全部十六个已接入语言在源码中均达到 20/20。COBOL 通过原生套件覆盖达到 20/20，其中 parallel-tools 将并发执行委托给调用方提供的批处理调度器。Ruby、C++、Elixir、Erlang、Lua、PHP、Fortran、C 以及 agent-capable SDK 也达到 20/20；全部十六个实现都包含 HITL decision 场景。
限制¶
- 只覆盖二十个选定场景，不覆盖完整 agent 或契约对齐。
- Go 和 Python 使用场景级测试；TypeScript 使用
node --test名称过滤；部分 Java self-test 覆盖多个场景。 - 所有 agent-capable 语言和 C 均为 20/20；COBOL 也通过原生套件达到 20/20，其中 parallel-tools 将并发执行委托给调用方提供的批处理调度器，原生测试验证批处理上限和结果顺序，而不是 OS 线程。Ruby 通过原生线程和原生套件达到 20/20；C++ 通过 std::async 并行工具和原生套件达到 20/20；Elixir 通过 Task.async 并行工具和原生套件达到 20/20；Erlang 通过 spawned-process 并行工具和原生套件达到 20/20；Lua 通过调用方提供的协作批处理工具和原生套件达到 20/20；PHP 通过 batchToolInvoker 中的 Fiber 和原生套件达到 20/20；Fortran 通过调用方提供的并行批处理回调达到 20/20。以上均为套件级覆盖，不是场景隔离断言。
- 并行场景使用确定性 barrier，不是吞吐或压力测试。SSE 测试使用本地 fixture，不调用 provider。
- 不覆盖 provider、模型、网络、sandbox、持久 checkpoint 或效果恢复场景。
- 报告通过不等于安全审查或生产认证。