AgentCompass：面向智能体能力的统一评估基础设施

AgentCompass 是一个开源、轻量、可扩展的 LLM 智能体评估基础设施。

它将评估流程解耦为 Benchmark、Harness 和 Environment 三个独立组件，无需重写执行逻辑即可灵活配置，并内置容错异步运行时与轨迹分析工具，可透明诊断奖励黑客等细微失败模式。

该基础设施原生支持覆盖五个能力维度的 20 余个基准测试。

arXivLabs is a framework that allows collaborators to develop and share new arXiv features directly on our website.

Have an idea for a project that will add value for arXiv's community? Learn more about arXivLabs ：https://info.arxiv.org/labs/index.html.