HANDBOOK.md: агенты забывают правила из длинных инструкций и путают просьбу с политикой

Обнаружено: агент читает 40-страничный регламент, а через десять шагов действий живая просьба коллеги или клиента выигрывает у прочитанного правила почти всегда. Бенчмарк HANDBOOK.md позволяет поймать момент, когда AI-агент нарушил ограничение, даже если сам уверен что сделал всё по правилам. Двусторонняя проверка ловит агента, который часть работы выполнил правильно, но нарушил ключевое ограничение — считает не только выполненные действия, но и точное число запрещённых (лишних писем, тикетов, событий). Лучшая протестированная модель проходит строгую проверку только в трети случаев.