PHREEQC

当智能体通过章节索引而非上下文读取PHREEQC模拟器报告时，GPT-5.1的准确率下降11.3个百分点。

重新运行全部11,007次记录的模拟器调用后发现，两个GPT模型计算关键值的频率与之前大致相同。

PHREEQC是美国地质调查局使用的地球化学模拟器，其报告长度可达846,800字符，且是确定性的。

智能体使用PHREEQC回答158个执行验证的多选题，以精确测量检索对精度的影响。