surgehq.ai 的博客文章介绍了 Dayjob: Tax，这项基准用 50 个专业税务任务评估 AI 代理，面向关注代理在真实财务工作流中可靠性的开发者和税务从业者。现有材料未包含模型得分、评分方法或数据集是否公开，因此无法据此判断代理在税务任务上的准确率。
背景
DAYJOB 是 Surge AI 的专业工作基准系列，早先已发布医疗和金融版本，做法是把真实客户材料交给 AI 智能体，再按专业标准评分。此次税务版把同一框架扩展到税务申报、合规和咨询，包含 50 个环境、1,789 份客户文件，并以 95% 的严格阈值判定是否通过。
参考链接
社区讨论
评论中的从业者经历提示，团队若把代理用于报税，应把人工逐项核对退款金额和字段映射作为必要步骤；代理发现错误的能力，不能直接证明它能独立完成申报。
评论者对代理在报税中的可靠性看法不一。lexandstuff 称用 Astra 与 Codex 处理复杂申报后，交给会计的表格仍有大量错误，退款少了近 2000 美元且字段错填，需多轮修正；waiwai933 则报告 Claude 发现过错误汇率并解释出错原因，但也因缺少上下文误报问题。RGS1811 正在把 IRS 表格和工作表形式化，称已覆盖约 60% 的美国联邦税务情形，bluejay2387 则质疑该基准是否只是给通用代理一桌文档再观察结果。