5000词需求文档，Claude也只能交付14%，实测28种Agent组合

研究团队提出LoLBench评测基准，面向240万行级大型软件系统，评估AI Agent从5000词需求文档出发完成跨模块功能开发的全流程能力，发现当前最优Agent组合仅能解决14%的任务，暴露出感知复杂性（需求理解与依赖推导）和实现复杂性（跨文件修改与验证）双重瓶颈。