wuyang
823 B
823 B
Agent Evaluation
这里研究如何评估真实 Agent 系统，而不是只收集 benchmark 名称。
Current Work
- K1412 Agent Evaluation v1: 基于
zk-data-agent的运行事件、隔离工作区和证据门禁，并结合 Zero 的问题闭环设计评测体系。 - Task contracts: 第一批机器可读任务契约，明确当前 runner 能力和缺口。
- Run scorer: 汇总结果、假完成、收益、 回归、延迟、Token、工具失败和安全违规。
Evidence Boundary
当前方案的工程判断来自实际代码和文档检查。2026-07-09 至 2026-07-27 的新论文只做了 标题和摘要级筛选，尚未构成全文证据审计。