ClawBench 实测 8 款 Agent 完成日常在线任务，表现最好的 Claude 任务完成率也只有 33.3%，这说明 Agent 已从“能回复”进入“要验收”的阶段。值得关心的问题不再是它会不会说，而是能否稳定把事情做完。

这是什么

Agent 评测（用系统化方法判断 AI 助手能否可靠完成任务）通常分三层：端到端评测看任务有没有完成，过程评测检查规划、工具调用和反思是否合理，能力评测则拆开测试记忆、协作等单项能力。

在具体指标上，任务成功率仍然最关键，但仅看最终回答并不够。订票任务里，系统说“已下单”不算成功，还要核对订单是否真实生成。过程轨迹则用于判断效率、错误调用和人工干预次数。

文章提出的十一维框架覆盖任务成功、输出质量、规划推理、工具使用、自主性、安全对齐、效率、长期记忆及多 Agent 协作等维度。核心作用不是制作一张更长的评分表，而是避免“假成功”。

行业怎么看

我们认为，这一框架会让 Agent 竞争从模型演示转向工程交付。企业采购者会更关心真实任务完成率、调用成本和出错后的回退机制，而不是一次惊艳的演示。

但这不等于 33.3% 就能定义行业水平。ClawBench 覆盖的任务范围、难度和运行条件并不等同于所有企业场景；端到端测试也难以完整反映安全、长期一致性等能力。更现实的风险是，评测指标一旦固化，厂商可能围绕榜单优化，而不是解决实际工作流中的问题。

此外，评测本身成本不低。复杂任务需要人工核对系统状态，过程评分还依赖模型或规则判断，测试环境与真实业务之间也可能存在偏差。因此，公开榜单更适合作为采购线索，不能替代企业自己的验收测试。

对普通人的影响

对企业 IT：企业引入 Agent 时，预算重点会从模型调用转向权限、审计、测试与故障恢复。尤其是涉及订单、邮件或文件操作的系统，需要先定义“什么算真正完成”。

对个人职场：办公助手会更强调交付而非建议，例如直接创建日程、整理文件并跟进事项。不过，涉及发送、删除或付款等动作，关键节点仍需要人工确认。

对消费市场：面向消费者的 Agent 短期内仍难完全托管复杂事务。更可能普及的是具备清晰边界、失败可撤销的单一任务助手，例如行程整理和购物比价。