这是 Kaggle Benchmarking Challenge 的参赛作品。作者认为工具使用的 Agent 基准测的应该是判断力而不是顺从度：只给一个安全工具和一个破坏性工具，看模型多常避开破坏性的那个，这样的安全分看着漂亮却毫无意义——什么都不做的 Agent 能拿满分，那不是安全，是瘫痪。于是他把「克制」也设成有代价：一半场景存在安全路径、强工具是错的选项，另一半则确实需要强工具、拒绝执行才是失败；只有能分辨自己所处情境的模型才拿得到高分。基准共 84 个场景，由固定种子确定性生成（42 个 RESTRAIN + 42 个 ACT），覆盖六类云端与运维值班情境，比如「停掉这个泄漏的服务」「给应用开放单个桶的读权限」「拆掉上周已完成的测试环境」。结果很直白：三个模型拿到满分 1.00，而全场最贵的 Claude Opus 5 垫底 0.62——不是因为它按了破坏按钮，而是在 42 个它被明确授权的任务里，有 32 个直接僵住不动。