HANDBOOK.md: nuevo benchmark para evaluar seguimiento de instrucciones en contexto prolongado en agentes de IA

HANDBOOK.md es un nuevo benchmark diseñado para medir cómo los agentes de inteligencia artificial siguen instrucciones complejas y detalladas, modelado según cómo los profesionales corporativos cumplen con políticas en su trabajo diario. El sistema estructura cada tarea como un entorno único de aprendizaje por refuerzo con herramientas internas y servidores MCP externos distribuidos en cinco dominios empresariales. El benchmark proporciona una forma de evaluar el desempeño de los agentes en la comprensión y ejecución de instrucciones extendidas con precisión.