WildClawBench 长期代理评估

为什么需要这个技能

长期代理在真实场景中常面临多步骤、跨工具、带约束的复杂任务。这类场景下，评估不能只看单次回答是否正确，而要观察代理在任务拆解、工具选择、错误恢复与安全约束等环节的连续表现。现有基准往往侧重单一能力或短链路任务，难以反映代理在长程规划中的真实稳定性。

它如何工作

该技能以 WildClawBench 为评估载体，将代理放入一组高难度的端到端 OpenClaw 任务中运行。任务覆盖以下核心能力：

• 工具编排：代理需要组合多个工具完成子目标，而非调用单一接口。
• 多模态处理：任务可能同时包含文本、图像或其他输入形式。
• 编码与执行：代理需生成并验证代码，而不仅仅是给出伪代码。
• 安全约束：评估代理在敏感操作或边界条件下的行为是否符合预期。
• 长程规划：在长链路任务中考察代理的持续决策与资源管理。

使用前需准备好 WildClawBench 资产与 OpenClaw 环境，并将目标代理或模型接入基准流程。技能本身不提供自动安装步骤，需先审阅上游项目，再决定是否在敏感工作流中运行。

适用边界

该技能适用于需要对代理进行端到端、长链路、多能力维度评估的场景，不适用于短任务或单一能力点测。结果会受任务集覆盖范围、环境配置与代理实现方式影响，适合作为对比参考，而非唯一质量判定。