Agent 能力怎么比较？先把评测环境对齐。
Harbor Adapters 与 Harbor-Index 研究统一的 Agent 评测基础设施。观察能力提升之前，我们也需要理解任务、环境和测量方式。
01 / 来源事实
发生了什么
论文提出用于 Agent 评测的统一基础设施与经过整理的任务集合。
arXiv 摘要页记录首次提交日期为 2026 年 9 月 3 日；此处显示的 9 月 7 日是 Feed 公告日期。
02 / 观察与推断
这意味着什么
以下是基于现有资料的分析，不是已被证实的结论。
不同 Agent 的成绩只有放回任务与环境中才有意义。统一接口、记录过程和明确任务边界，有助于研究者辨认系统能力与评测设置各自造成的差异。
对通向更强通用智能的观察而言，失败模式、跨任务表现和可复现性，比孤立的单个分数更值得持续追踪。
03 / 边界与未知
还需要知道什么
- 这是预印本中的作者报告，本文核实范围为论文摘要。
- 评测基础设施的改进，不等于已经证明通用智能或超级智能。