● 关于 Agent Harness，我整理了一个最小版！

📌 一句话摘要 本文介绍了 Agent Harness 的最小化设计思路，将其拆解为任务、环境、工具、执行记录和评分器五个核心模块，并提供了具体的 eval case 编写示例和公开参考资料。 📝 详细摘要 本文由 Datawhale 成员陈思州撰写，聚焦于 Agent 评测中 Harness

● CHI-Bench 开源：75 个美国医疗长程工作流压测 30 个前沿 Agent，最强 Claude Code 仅过 28%，端到端医院–保险工司协作直接归零

📌 一句话摘要 CHI-Bench 基准测试显示，当前最强 AI Agent 在医疗长程工作流中通过率仅 28%，端到端医院-保险公司协作通过率为 0%，揭示了临床推理与长程可靠性的严重短板。 📝 详细摘要 actAVA.ai 联合 Johns Hopkins、斯坦福、CMU 等 20 余家机构

● 怎么知道 Agent 真干完活了？

📌 一句话摘要 SaaS-Bench 通过将真实 SaaS 应用打包进 Docker 并校验数据库状态，解决了现有 Agent 评测中「只看动作不看结果」的漏洞，专治 Agent 的「嘴硬」问题。 📝 详细摘要 本文介绍了 UniPat 实验室提出的 SaaS-Bench 评测基准，旨在解决现有

● 关于 Agent Harness，我整理了一个最小版！

📌 一句话摘要 本文提出一个最小化 Agent Harness 的骨架设计，包含 Task、Environment、Tools、Trace、Grader 五个核心模块，帮助开发者将 Agent 的执行过程变为可复现、可记录、可评分的实验。 📝 详细摘要 文章从 Agent 评测的实际痛点出发，指

● 面向智能导购的 Agent 评测实践

📌 一句话摘要 本文提出一套面向家居导购 Agent 的自动化评估链路，基于结构化多维度 Benchmark 和 LLM-as-a-judge 实现 91.9% 准确率的自动评分，并量化对比发现 gpt51 最优，较线上模型 qwen3-vl 提升 16.4%。 📝 详细摘要 本文来自大淘宝技术

● 全球 AI Lab 前十！Agnes 新模型发布，以全模态+超低价定义模型性价比

📌 一句话摘要 Agnes AI 发布 Agnes-2.0-Flash 与 Agnes-Image-2.0-Flash 模型，凭借在 Claw-Eval 等 Agent 任务榜单上的出色表现和极低的 API 定价，进入全球 AI Lab 前十，以高性价比策略挑战现有格局。 📝 详细摘要 本文报道

● Agent 评测的下半场：为什么需要一个「活的」Benchmark？

📌 一句话摘要 本文深入介绍了 Claw-Eval 和 Claw-Eval-Live 两个 Agent 评测框架，提出「活的」Benchmark 概念，通过信号采集与任务筛选确保评测内容紧跟企业实际痛点，并揭示了当前 Agent 在跨系统业务编排上的核心瓶颈。 📝 详细摘要 文章围绕 Agent

● Claude 4.6 只有 66%？Claw-Eval-Live 说：会修终端≠能跨系统干活

📌 一句话摘要 Claw-Eval-Live 是一个面向 Agent 的实时评测框架，通过审计执行轨迹和环境快照来替代仅看结果的评估方式，并动态更新任务集以反映真实工作流需求，其评测结果显示当前最强模型通过率也仅 66%，且短板在于跨系统工作流而非终端操作。 📝 详细摘要 本文介绍了 Claw-

● Hermes Agent 实际使用体验：优于 OpenClaw 的易用性

📌 一句话摘要 博主分享了 Hermes Agent 配合 Qwen 3.6-Plus 的实测体验，认为其在工具集成和任务完成度上优于 OpenClaw。 📝 详细摘要 作者分享了 Hermes Agent 的实操对比心得。相比之前使用 OpenClaw 配合 GPT 或 Gemini 模型需要