E-Bench – 腾讯混元等推出的智能体评测基准 运营中

E-Bench 是腾讯混元团队联合清华大学 AIR、东南大学推出的多步骤工具使用评测基准，基于王者荣耀、QQ 音乐、腾讯会议三大真实产品为原型，构建全合成虚拟环境，包含 323 个状态变更任务、41 张数据库表及超 7.6 万条数据。通过信息鸿沟与工具鸿沟双不对称设计，迫使智能体主动搜集隐藏信息并编排多步工具调用，最终用确定性数据库状态 diff 评分，揭示当前 AI 智能体在真实产品场景中的能力边界。

全合成产品环境构建：基于图引导的数据库填充技术，生成无孤立记录、跨表一致的三大产品虚拟世界。
双鸿沟任务生成：出题模型拥有完整数据库访问权，被测模型仅能通过受限业务工具交互，制造信息与工具双重不对称。
确定性状态评测：用数据库操作前后的状态 diff 作为唯一评判标准，精确匹配才计通过，杜绝部分分与裁判方差。
成本性能联合分析：同步记录每任务 API 开销，绘制准确率与成本的帕累托前沿，评估模型性价比。
代码执行扩展：E-Bench-Code 版本开放 exec_code 工具，可剥离编排机制与信息获取两类难度。

图引导数据库填充：从关系型 schema 出发构建表级依赖图，按拓扑序填充根表与下游表，用强 LLM 作为受约束合成器，仅通过插入工具写入数据，下游表必须从当前库查询候选实体，最后用确定性脚本校验修复时间顺序、聚合计数等语义错误，确保环境完整自洽。
生成器-求解器不对称：出题 Agent 拥有 query_sql 与 exec_code 特权，能查看完整数据库并执行复杂计算；被测 Agent 仅能调用业务级工具，形成信息鸿沟（全局状态隐藏）与工具鸿沟（内部计算工具移除），迫使模型通过多步并行工具调用主动探索环境。
意图改写与规则替换：将数据库派生的具体值替换为产生它的规则，例如”把收藏里所有已下架的歌加进来”而非直接给出歌曲 ID，确保任务无法脱离环境交互独立完成。
交叉验证任务生成：每个任务经查看数据→确定目标→修改状态→总结意图的产品化循环生成，由三个不同强 Agent 模型交叉验证，至少两个复现一致才采纳，保证任务可解性与标注准确性。

环境准备：从论文配套资源获取 E-Bench 全合成虚拟环境，加载覆盖王者荣耀、QQ 音乐、腾讯会议三大产品域的数据库模板与 323 个评测任务。
版本选择：根据研究目标选择基础版 E-Bench或 E-Bench-Code。
模型接入：将被测 LLM Agent 接入评测框架，配置其只能通过受限的领域工具（如搜索歌曲、创建会议、添加好友等）间接与环境交互，禁止直接查询底层数据库。
任务配置：设定每任务独立运行次数与全新数据库副本起始条件，开启 API 调用成本追踪以确保结果可复现。
执行评测：启动自动化评测，Agent 接收自然语言指令后通过多步工具调用与虚拟环境交互并修改状态，系统自动记录完整操作轨迹与 Token 消耗。
结果分析：评测结束后，系统基于确定性数据库状态 diff 输出 Pass@1 与 Pass³ 准确率，生成成本-性能联合分析报告，辅助评估模型性价比。

真实规模干扰充分：每个库填充至 7.6 万+行、60 万+数据单元，目标实体被大量近似记录环绕，模型无法靠环境稀疏蒙对。
环境任务解耦复用：一套自洽产品环境可支撑约上百个任务生成，边际成本极低，环境层可控、任务层可扩展。
评测稳定可复现：全合成环境不受线上服务演进影响，确定性 diff 评分消除语义裁判的主观偏差。
难度分层清晰：基础版考验多步编排与信息搜集，Code 版额外测试计算密集型任务的代码卸载能力。

arXiv技术论文：https://arxiv.org/pdf/2607.23722

AI 智能体能力评测：为 LLM Agent 提供标准化、可量化的多步工具使用能力评估，覆盖信息检索、状态变更、跨实体编排等核心维度。
模型选型与产品化决策：通过成本-性能帕累托图，帮助企业在准确率与 API 开销之间做出权衡，识别高性价比模型。
智能体训练数据合成：作为可控、可扩展的训练数据来源，用于持续提升 Agent 在多步工具调用与可靠性方面的能力。
代码增强 Agent 研究：E-Bench-Code 支持研究代码执行对不同类型任务（计算密集 vs 推理决策）的收益边界。
跨领域基准扩展：方法论可迁移至更多产品后端与 CLI 场景，推动通用智能体评测标准建立。