Agent 评测体系:三层分类与十一维框架
这篇掘金文章把 Agent 评测拆成两个问题:评什么和怎么评。评测对象分为端到端、过程、能力三层,评测维度则归纳为任务成功、输出质量、规划推理、工具使用、安全对齐、效率、多 Agent 协作、长期记忆一致性等十一个维度。文章还转述 ClawBench 的实测结果:8 款 Agent 中最好的 Claude Sonnet 4.6 日常在线任务完成率也仅 33.3%,GPT-5.4 为 6.5%,并附有一段可运行的最小 Python 评测脚本,计算任务成功率与轨迹质量。
该框架为开发者提供了可直接落地的智能体评测起点,而转述的低完成率数据也提示厂商演示与真实任务表现可能存在明显差距。
核心结论:Agent 评测体系(Agent Evaluation)就是一套「系统地判断一个 Agent 好不好用」的方法,核心是回答两个问题:评什么(评测对象)和怎么评(评测维度与指标)。评什么分三层:端到端评测(把 Agent 当黑盒,只看任务有没有完成)、过程评测(看中间轨迹——规划、工具调用、反思是否合理)、能力评测(拆开测单项能力——工具使用、记忆、多 Agent 协作)。怎么评有一个行业共识的十一维框架:任务成功、输出质量、规划推理、不确定性决策、工具使用、自主性、学习适应、安全对齐、效率、多 Agent 协作、长期记忆一致性。现实很骨感:ClawBench 实测 8 款 Agent 处理日常在线任务,最好的 Claude 也才 33.3% 任务完成率——Agent 评测体系的存在,正是因为 Agent「看着能干活、实际经常干不完」。
#ClawBench#τ-Bench#AgentGym2#SlackBench#EnterpriseClawBench#Claude Sonnet 4.6#Qwen 3.5#GLM-5#GPT-5.4#NVIDIA