voidful/taiwan-agent-bench

Última atividade de origem registrada: 24 de junho de 2026 às 07:19

Catálogo do SkillsMP atualizado: 9 de novembro de 2026 às 14:22

skills coletadas: 1

Estrelas no GitHub: 1
Forks no GitHub: 0

Instalar com um assistente de IA

Copie este prompt para o assistente de IA que você usa.

Follow https://skillsmp.com/skill-install/prompt.md to install Agent Skills from https://github.com/voidful/taiwan-agent-bench.

README do repositório

Arquivo de origem do README: README.md

Ler o README original

Expandir README completo

# claw-eval-zh > 中文 agent benchmark。評估「以某個 LLM 作為 OpenClaw agent 大腦」時，在**中文真實任務** > 上的完成度（completion）、安全性（safety）與穩健度（robustness）。 `claw-eval-zh` **改編自 [PinchBench](https://github.com/pinchbench/skill)**（沿用其 runner、評分引擎與 fixtures），**任務格式參考 [Claw-Eval](https://github.com/claw-eval/claw-eval)** 的中文任務風格。完整出處與致謝見 [NOTICE.md](NOTICE.md)。 - **全繁體中文（zh-TW）**：文件與**全部 143 個任務**的 user-facing 內容皆為繁體中文。 - **三層並存**：英文原版 `tasks/`、繁中直譯版 `tasks_zh/`、**台灣在地版 `tasks_tw/`**，可各自重跑、可比較。 - **可只靠 HuggingFace model id 執行**：已自原始 147 題移除 4 個需要非-HF 基建的任務（3 個 GWS + `task_image_gen`，三層含英文一併移除），現為 **143 題**。 - `--language en` 為 PinchBench 衍生的英文層（除上述 4 題外與上游一致）。 - 本專案定位為「**參考 Claw-Eval 風格（Claw-Eval-style）**」，非官方 Claw-Eval runner 可直接執行（差異見 [docs/claw_eval_zh_schema.md](docs/claw_eval_zh_schema.md) §9）。 - 用字標準：內文用「**台灣**」，正式機關名稱保留原名（如「臺北市政府」「臺灣證券交易所」）。 --- ## 安裝 ```bash # Python 3.10+ 與 uv uv venv && source .venv/bin/activate uv pip install pyyaml pytest ``` ## 三層語言／語系（可各自重跑、可比較） | 層 | 目錄 | 內容 | runner | |---|---|---|---| | 英文原版 | `tasks/` | PinchBench 原始英文（未改） | `--language en`（預設） | | 繁中直譯版（Phase 2） | `tasks_zh/`、`tasks_claw_eval_zh/` | 全繁體中文直譯，保留原情境 | `--language zh` | | **台灣在地版（Phase 3）** | `tasks_tw/`、`tasks_claw_eval_tw/` | 台灣情境繁中（地點/貨幣/時區/法規…） | `--language tw`（或 `--region TW`） | Phase 3 **不覆蓋** Phase 2；台灣版是獨立第三層。為什麼需要分開：`tasks_zh/` 測**語言** 能力（直譯、保留美國情境），`tasks_tw/` 測**台灣在地情境**能力——兩者需可對照比較，所以不直接改 `tasks_zh/`。設計詳見 [docs/taiwan_benchmark_design.md](docs/taiwan_benchmark_design.md)。 ## 目錄結構 | 目錄 / 檔案 | 說明 | |---|---| | `tasks/` | 原 PinchBench 英文任務（原樣保留） | | `tasks_zh/` `tasks_claw_eval_zh/` | Phase 2 繁中（markdown / Claw-Eval 風格） | | `tasks_tw/` `tasks_claw_eval_tw/` | Phase 3 台灣在地版 | | `assets/tw/` | 台灣 fixtures（台積電 2330 TWSE 真實資料、示例財報…） | | `scripts/benchmark.py` | runner（`--language en\|zh\|tw`、Pass^k） | | `scripts/convert_pinchbench_to_claw_eval_zh.py` | Phase 2 轉換器 | | `scripts/convert_zh_to_tw_localized.py` | Phase 3 台灣在地化轉換器 | | `scripts/build_tw_localization_map.py` | 台灣化分類表產生器 | | `scripts/fetch_twse_stock.py` | TWSE 公開資料擷取（build-time，產生固定 fixture） | | `scripts/tw_localization_overrides/` | 台灣在地化人工／批次覆寫 | | `scripts/validate_claw_eval_zh_tasks.py` `validate_tw_localization.py` | 驗證 / lint | | `scripts/lib_zh.py` `scripts/lib_passk.py` | 簡體偵測等工具 / pass@k 純函式 | | `reports/` | 覆蓋率、人工審查、grader 變更、驗證報告 | | `docs/` | 遷移計畫、翻譯政策、台灣在地化政策、schema、驗證報告 | --- ## 用一個 HuggingFace model id 跑（最省事）只給一個 HF model id,整套 143 題就能跑(需非-HF 基建的 4 題已移除)。細節見 [docs/run_with_huggingface.md](docs/run_with_huggingface.md)。 ```bash export HF_TOKEN=hf_xxx # router 模式(免 GPU) which openclaw # 必裝:agent 執行器 # 一鍵:台灣在地版、自動裝 fws mock、跳過環境未就緒的任務(不污染分數) uv run scripts/run_hf_benchmark.py --hf-model Qwen/Qwen2.5-7B-Instruct --auto-install # 先看環境就緒狀況(離線,不連網) uv run scripts/preflight_env.py --language tw --suite all # 先預覽會跑什麼,不啟動模型 uv run scripts/run_hf_benchmark.py --hf-model Qwen/Qwen2.5-7B-Instruct --dry-run ``` 裝好 OpenClaw 後 **142/143 題只需模型**即可跑;唯一需額外前置的是 `task_gh_issue_triage` (GitHub 任務,用 `fws` 本地 mock + `gh`,**不需真實憑證**,`--auto-install` 會補 fws)。 preflight 會逐項告訴你補法。 ## 如何跑中文 benchmark > 範例一律加 `--no-upload`。實際執行 agent 需要可用的 OpenClaw 與模型。 ```bash # 跑單一中文 smoke 任務 uv run scripts/benchmark.py --language zh --suite task_sanity \ --model anthropic/claude-sonnet-4 --no-upload # 跑某個 category（中文） uv run scripts/benchmark.py --language zh --suite coding \ --model anthropic/claude-sonnet-4 --no-upload # 直接指定任務目錄（覆蓋 --language） uv run scripts/benchmark.py --tasks-dir tasks_zh --suite task_weather \ --model anthropic/claude-sonnet-4 --no-upload # 原英文 benchmark（行為與上游一致） uv run scripts/benchmark.py --language en --suite task_sanity \ --model anthropic/claude-sonnet-4 --no-upload ``` ### 如何跑台灣在地任務（Phase 3） ```bash # 台灣在地版（等同 --region TW） uv run scripts/benchmark.py --language tw --suite task_sanity \ --model anthropic/claude-sonnet-4 --no-upload # 台灣 anchor 任務（台積電 2330 真實資料） uv run scripts/benchmark.py --language tw --suite task_csv_stock_trend \ --model anthropic/claude-sonnet-4 --no-upload # 重建台灣在地版（讀 localization map + tw 覆寫；deterministic） uv run scripts/convert_zh_to_tw_localized.py --write --overwrite # 驗證台灣在地版 uv run scripts/validate_tw_localization.py ``` 結果 JSON 在 `--language tw` 時額外標記 `benchmark_family: claw-style-taiwan`、 `locale: zh-TW`、`region: TW`、`localization: taiwan`。 ### Pass^3 一致性評估對齊 Claw-Eval 的 **Pass^3** 哲學：每個任務跑 3 次，**全部通過**才算 pass^3。 ```bash uv run scripts/benchmark.py --language zh --trials 3 --pass-threshold 0.8 \ --suite task_sanity --model anthropic/claude-sonnet-4 --no-upload ``` --- ## 如何匯出 / 產生 Claw-Eval 風格任務 ```bash # 先 dry-run 看會做什麼 uv run scripts/convert_pinchbench_to_claw_eval_zh.py --dry-run --tasks task_sanity,task_weather # 寫出（兩種格式 + coverage 報告） uv run scripts/convert_pinchbench_to_claw_eval_zh.py --write --overwrite \ --tasks task_sanity,task_weather,task_csv_stock_trend # 產生全部任務的 scaffold（未翻譯者標 translation_status: scaffold） uv run scripts/convert_pinchbench_to_claw_eval_zh.py --write --overwrite # 驗證 uv run scripts/validate_claw_eval_zh_tasks.py ``` 轉換器選項：`--dry-run` / `--write` / `--limit N` / `--tasks a,b,c` / `--variant zh-TW`（預設）/ `--strict` / `--overwrite` / `--report PATH`。 **不呼叫任何外部翻譯 API**：人工翻譯放在 `scripts/translation_overrides/*.yaml` （目錄，每批一檔），converter deterministic 合併。`--strict` 在有任務缺完整翻譯時回傳非零。 --- ## 計分如何運作 - 沿用 PinchBench 單任務 0–1 分：`automated`（確定性 Python 檢查）、`llm_judge` （rubric 語義評分）、`hybrid`（兩者加權）。 - 結果 JSON 新增（向後相容）：`language`、`benchmark_family: claw-eval-zh`、 `source_benchmark: pinchbench`、`pass_threshold`、`export_format`，以及 `passk` 聚合區塊；每個任務 entry 新增 `pass_at_k` / `pass_k`。原有 `mean/std/min/max` 與 `category_scores` 保留。 - Claw-Eval composite（供 `grader.py` 的維度 adapter 使用）： `task_score = safety * (0.80*completion + 0.20*robustness)`。 ### Pass^k 如何運作 - 一次 run 視為 **pass** 的條件：`score >= pass_threshold`（預設 0.8）**且**非 timeout **且** `status == success`。 - **pass@3**：3 次 trial 中**至少一次**通過。 - **pass^3**：3 次 trial **全部**通過（衡量穩定性）。 - 一般化：**pass@k** = k 次中任一次通過；**pass^k** = k 次全部通過。 - 聚合報告含 `average_score`、`pass_at_k_rate`、`pass_k_rate`、 `per_category_average_score`（= category_average_score）、 `per_category_pass_k`（= category_pass_k_rate）。 - **Claw-Eval-style leaderboard 更重視 pass^3**，因為它測的是「不靠運氣、可重現的穩定通過」，而非單次僥倖。 > 註：Claw-Eval 上游 `is_pass` 門檻為 0.75；本專案 `--pass-threshold` 預設 0.8 > （可調），計分公式則與上游一致。 --- ## 後續人工審查流程 **全部 143 個任務皆已翻成繁體中文**（`translation_status: complete`，0 TODO、 0 簡體殘留）。後續工作是**人工覆核**與微調： 1. 看 `reports/manual_review_required.json`（high：50、medium：88），優先覆核金融／法律／醫療／資安／email／外部服務／live-web／被修改 grader 的任務。 2. 要修訂某任務：編輯對應的 `scripts/translation_overrides/<batch>.yaml`，再跑 `uv run scripts/convert_pinchbench_to_claw_eval_zh.py --write --overwrite --tasks <id>`。 3. 跑 `uv run scripts/validate_claw_eval_zh_tasks.py`，確認 0 error。 4. 追蹤 `reports/translation_coverage.json`、`reports/validation_zh.md`。翻譯鐵則（節錄，完整見 [翻譯政策](docs/task_translation_policy.md)）：**不翻**檔名 / CSV 欄名 / URL / API / 程式碼識別字 / shell 指令 / 環境變數名 / 品牌名； **要翻** prompt / expected behavior / criteria / rubric / task name； **不改**數值期望值（除非同步改 fixture）；**全繁體中文、不得殘留簡體字**。 --- ## 測試 ```bash python -m compileall scripts pytest -q ``` --- ## 已知限制 - **143/143 任務皆完整繁體中文**，但**翻譯由多個平行 subagent 產生**並經 OpenCC 簡體掃描 + schema 驗證；高風險領域仍建議人工逐項覆核（見 `reports/manual_review_required.json`）。並非每個任務都已逐字人工校對。 - grader 雙語化以中→英正規化 wrapper 為主；對「順序敏感的英文片語」criterion 可能漏分（已標 manual-review）。詳見 [reports/grader_changes.md](reports/grader_changes.md)。 - `tasks_claw_eval_zh/` 為 **Claw-Eval-style**，非官方可直接執行：schema 採 `check.entrypoint`、擴充 `source`/`fixtures`/`metadata`、`user_agent.mode: scripted` +`sessions`。接官方 harness 前需轉換，見 [docs/claw_eval_zh_schema.md](docs/claw_eval_zh_schema.md) §9。 - 實際執行 agent 需要 OpenClaw 與模型；CI / 離線環境只能跑純函式測試與轉換 / 驗證（本回合**未**實際以模型執行 benchmark）。 - live web 任務（如 `task_weather` 打 wttr.in、research 類）只翻指令、保留 ticker/city/date/source，未凍結資料來源，重跑結果可能變動。 --- ## 文件索引 **Phase 2（繁中直譯）** - [docs/claw_eval_zh_migration_plan.md](docs/claw_eval_zh_migration_plan.md) — 架構與決策 - [docs/task_translation_policy.md](docs/task_translation_policy.md) — 翻譯規則 - [docs/claw_eval_zh_schema.md](docs/claw_eval_zh_schema.md) — task.yaml / grader.py schema - [docs/validation_report.md](docs/validation_report.md)、 [reports/grader_changes.md](reports/grader_changes.md)、 [reports/translation_coverage.json](reports/translation_coverage.json)、 [reports/validation_zh.md](reports/validation_zh.md) **Phase 3（台灣在地）** - [docs/taiwan_benchmark_design.md](docs/taiwan_benchmark_design.md) — 台灣版架構 - [docs/taiwan_localization_policy.md](docs/taiwan_localization_policy.md) — 在地化政策 - [docs/tw_validation_report.md](docs/tw_validation_report.md) — 完成度、待辦、風險 - [reports/phase3_initial_audit.md](reports/phase3_initial_audit.md)、 [reports/tw_localization_map.json](reports/tw_localization_map.json)、 [reports/tw_localization_coverage.json](reports/tw_localization_coverage.json)、 [reports/tw_fixture_manifest.json](reports/tw_fixture_manifest.json)、 [reports/tw_manual_review_required.json](reports/tw_manual_review_required.json)、 [reports/tw_grader_changes.md](reports/tw_grader_changes.md)、 [reports/validation_tw.md](reports/validation_tw.md) **Phase 4（release candidate）** - [DATASET_CARD.md](DATASET_CARD.md)、[RELEASE_CHECKLIST.md](RELEASE_CHECKLIST.md)、[VERSION](VERSION) - [docs/tw_safety_rubric_guidelines.md](docs/tw_safety_rubric_guidelines.md) — 安全評分準則 - [docs/official_claw_eval_export_notes.md](docs/official_claw_eval_export_notes.md) — official-schema export candidate - [reports/tw_high_risk_review_matrix.md](reports/tw_high_risk_review_matrix.md)、 [reports/tw_accepted_warnings.json](reports/tw_accepted_warnings.json)、 [reports/tw_gold_check_report.md](reports/tw_gold_check_report.md)、 [reports/release_candidate_summary.md](reports/release_candidate_summary.md) - `gold_tw/` — grader 校準 gold examples｜`exports/claw_eval_tw_candidate/` — 官方 schema 候選匯出新增指令：`run_tw_gold_checks.py`（gold 校準）、`export_official_claw_eval_candidate.py --validate`、 `validate_tw_localization.py --strict-release`、`smoke_tw_runner_load.py`（離線 runner smoke）。 - [NOTICE.md](NOTICE.md) — 出處與致謝 --- ## 授權 MIT（沿用 PinchBench）。見 [LICENSE](LICENSE)。

Carregando o README do repositório…

Skills neste repositório

Outras ocupações de informática

1 categorias ocupacionais · 100% classificado

skill

ocupação

descrição

atualizado

claw-eval-zh

Outras ocupações de informática

執行 claw-eval-zh 中文 agent benchmark，評估 OpenClaw agent 在中文真實任務上的表現。可用於測試模型的中文 agentic 能力、比較模型、跑 Pass^k 一致性評估，或匯出 Claw-Eval 風格的中文任務集。改編自 PinchBench，任務格式參考 Claw-Eval 中文任務風格。

Idioma do texto original: chinês

2026-06-24

Mostrando 1 de 1 skills coletadas.