AI Agent 评测综述：评估日益真实，但仍难测安全与可靠

Andriy Burkov 转发的 AI Agent 评测综述指出，agent 已转向会规划、使用工具并在变化环境中行动，仅凭答案准确率评估不再够用。综述覆盖网页操作、软件工程、客服、科研等多步任务，梳理规划、工具使用、自我纠错、记忆等能力的 benchmark 与评测工具。核心结论是评估日益贴近真实场景，但仍不足以衡量 agent 在实践中的安全性、鲁棒性、效率与可靠性。