查资料数据获取
我们对 agent 说的话
包裹 tracking_number 现在到哪了？什么时候到？
判定标准
通过
- 承运商识别正确，最新状态与官方查询一致。
部分通过
- 承运商正确，但状态过时。
失败
- 承运商错误，或者编造状态。
每轮更换的参数
- {tracking_number}
提示词模板是公开的，具体参数在每轮结果发布时一起公开。
保留的证据
- screen_recording
- baseline_screenshots