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。后续完成了独立的 40 篇全文研究池和 37 篇证据审计，见 Agent completion, verification, and recovery。

该研究支持独立验证、假完成、版本 manifest、gain/regression 和重复运行的方向，也对当前合同提出修正：应分开 outcome、invariant、procedure 和 semantic residual，增加 ambiguous/unverifiable，并把 failure detection、localization、routing、restoration 和 re-verification 分开记录。

这些是研究约束，不表示 runner、validator 或真实 benchmark 已经完成。

旧的 v1 交互说明页保留在 Archived Agent Evaluation v1，不再作为站点首页。