AIAgent行为评估新准则，从单项测试到综合评价

近年来，AI Agent在软件开发、数据处理等领域的应用越来越广泛，但其测试和评估方法却长期停留在传统的大模型基准测试阶段。这种仅关注最终结果的评估方式，难以满足企业在实际业务场景中对Agent可靠性的要求。

以某AI Coding Agent为例，在一次版本迭代后，虽然整体通过率从82%提升至86%，但团队发现具体问题难以定位。是模型推理能力下降？还是工具调用参数错误？亦或是代码生成后未执行测试？这些问题都指向了一个核心痛点：传统的端到端Benchmark测试，虽然能判断Agent的整体表现，却无法提供具体的问题溯源。

针对这一挑战，谷歌在9月9日发布的Harness Engineering技术文章中提出了一个创新思路：测试AI Agent不应只看最终"答对了没有"，还要关注它"是怎么做的"。这种基于行为评估的理念，强调观察Agent在完成任务过程中的中间步骤，包括工具调用是否正确、参数是否传对、关键操作是否按预期执行等。这与传统软件测试中常用的单元测试、集成测试和回归测试理念高度一致，表明AI Agent正在逐步演变为一个真正的软件系统。

与此同时，蚂蚁集团与清华大学团队在2026国家网络安全宣传周期间推出了行业首个智能体安全指数（ASI）。该指数通过将多项安全评测按业务场景和风险类型重新组织，为企业提供了更全面的评估视角。例如，同一模型在桌面端有害行为测试中表现优异，但在隐蔽执行风险测试中排名靠后，ASI能够清晰展示这些差异，并帮助企业识别潜在风险。

ASI的出现，标志着AI Agent评测体系正从单一指标向多维度综合评价发展。它不仅能够帮助企业了解Agent的整体安全表现，还能追溯具体短板来自哪个测试环节，为后续优化提供精准依据。这种评估方式让已有评测成果获得更多用途，企业可以根据自身需求重点查看敏感信息保护、工具使用或高风险操作等表现，并验证不同安全措施的实际效果。

目前，ASI项目正围绕32项安全评测基准和8类智能体场景推进复现与整合。通过积累可重复使用的测试环境和结果，该指数旨在降低各机构重复验证的成本，让更多安全研究成果用于实际业务决策。未来，随着模型和风险的快速变化，ASI将持续纳入新测试、新模型和新场景，并记录版本及运行条件，帮助使用者追溯结果、理解变化。

这一系列创新举措表明，AI Agent的评估体系正在经历一场深刻的变革。从单纯依赖最终结果的单项测试，到关注执行过程的行为评估，再到综合性的安全指数，AI Agent的评测方法正逐步走向成熟和完善。这对于推动AI Agent在企业级应用中的落地，具有重要的实践意义。