Agent Benchmark（智能体基准）

智能体基准通常包含多样化的任务环境、交互接口和评估指标，旨在全面测试智能体的感知、推理、规划和执行能力。其背景是随着大语言模型智能体的兴起，需要标准化评估来推动研究。例如，AgentBench包含8个不同环境，评估多轮交互能力；WebArena提供真实网页环境测试任务完成率。这些基准面临环境动态性、评估成本高和任务覆盖度等挑战，但为智能体发展提供了重要衡量标准。