Agent Evaluation

类别： 方法论
来源： wiki/sources/agent-2026-06-yc-bench-survival-3-of-12, wiki/sources/openclaw-2026-06-multica-ai-native-team, wiki/sources/arch-2026-06-harness-agent-evaluation-claude-code
相关概念： wiki/concepts/long-horizon-planning, wiki/concepts/ai-native-architecture, wiki/concepts/agent-reliability, wiki/concepts/collinear-ai, wiki/concepts/anthropic

核心定义

Agent 评估，对 AI Agent 的任务完成率、安全性、效率和人机协作质量的系统性评测方法。

pad 写入量 + 命令数是核心变量。 ## 关键洞察：三个"没想到" 1. 大模型不一定赢——旗舰大模型推理慢、API 延迟高，叠加几百回合后劣势放大 2. API 成本 ≠ 业务成果——贵的不一定赚钱，便宜的不一定亏钱 3. Scratchpad 使用模式比模型大小更能预测长期表现——这意味着**工程化"思考工具"比堆参数更重...
i/concepts/agent-runtime — Agent Runtime - wiki/concepts/agent-squad — Agent Squad - wiki/concepts/issue-driven-development — Issue 驱动开发 - wiki/concepts/agent-collaboration — Agent...
小时级反馈** ### 3. 标准化 - 统一评测指标 - 统一报告格式 - 横向对比 ### 4. 可复现 - 评测逻辑集中 - 历史结果可追溯 ## 与已有知识的关联 - wiki/entities/claude-code — Claude Code - wiki/entities/harness-engineering — Harness En...

本概念与 OpenClaw Agent 框架的研究与应用密切相关，是理解当前 AI Agent 生态演进的关键节点之一。详见引用来源中的具体案例分析。

本概念在 wiki 中被引用 3 次。