参考
仓库示例
怎么选 minimal-demo、Agent 包，以及从上游转过来的 dataset。
| 路径 | 适合 |
|---|---|
examples/datasets/minimal-demo | 对话 / 终端 / 多 agent 案例；默认 docker |
examples/agents | dsh / nooa / miniswe / terminus-2 / openhands 配方包，配合 --agent（内置 ACP 用 --agent pi） |
examples/datasets/tau3-airline-5 | 上游 airline 对话域转换的五题缩略：双角色 + 独立评分 |
先 ageval tasks <path> 看成员列表。写自己的包时从 minimal-demo 抄结构最省事。
tau3-airline-5
这是把 tau2-bench（τ³-bench）的 airline 域接到 ageval 外层生命周期上的 dataset：user / service 双角色经 ACP 对话，工具与 DB 在包内 bridge 中执行，PASS 仅来自 evaluator.py（与 run.py 完成态分离）。本仓库只收 五题（airline-00 … airline-04）；跨 task 的 bridge 与领域资产放在根目录 shared/lib、shared/assets，避免每个 task 再复制一份 lib/。
本机完整 run 需要包内 requirements.txt 里的 tau2 pin；只做 ageval lock 不必装。包内说明见仓库 examples/datasets/tau3-airline-5/README.md。入仓或发布都不会让评测结果更可信。
只在 Hub 上发布的 dataset
本仓库 examples/datasets/ 收录 minimal-demo 与 五题缩略的 tau3-airline-5。完整 50 题 airline 与其他热门 bench 的转换不再放进这个仓库，只通过 Hub 发布 + 上传整份运行结果，用来控制 clone 体积与 CI 路径：
| 上游 | Hub 包 id（组织 my-lab） | 说明 |
|---|---|---|
| Terminal-Bench 2.0 | terminal-bench-2 / 轻量 terminal-bench-2-10 | docker + Harbor 风格 pytest 评测 |
| MARBLE coding | marble-coding / 轻量 marble-coding-10 | docker shared-container 多 agent coding |