← 返回项目索引
Agent 评测基准
osworld
OSWorld 桌面级 OS Agent 评测基准，在真实操作系统环境中评估 AI Agent 的端到端任务完成能力。
1. 它在图谱里的角色
为什么把它列入复查队列
osworld 属于 Agent 评测基准，当前更适合作为 桌面 OS 环境 → Agent 操作 → 任务评估 这一类机制的复查候选。 读者应优先检查它把自进化问题落到哪些可检查的工程环节：生成、反馈、评估、记忆、搜索、编排或训练数据闭环。
2. 进化机制
它如何产生改进信号
当前归档的机制链是：桌面 OS 环境 → Agent 操作 → 任务评估。阅读时应优先确认三件事：改进对象是什么，反馈信号来自哪里，评估是否能阻止退化。
评测基准OS 操作端到端
3. 教学用法
可以如何用于教学或复查
可以把它当作 Agent 评测基准 的复查练习：先确认原始仓库、报告和 benchmark 线索，再决定是否进入正式 model card。
4. 工程表面
技术栈与可运行性线索
主要语言是 Python，记录的技术栈包括：Python、VirtualBox、Docker。许可证记录为 MIT，最近活跃日期为 2025-12-01。
5. 证据链
从原始材料到分析
站内数据保留了 GitHub 源、局部镜像路径和公开报告路径。这里的证据链优先说明“材料从哪里来、我们如何归类、哪里还没有复现”，而不是替原项目做最终质量裁决。
- GitHub: https://github.com/xlang-ai/OSWorld
- Local mirror:
repos/xlang_ai__osworld - Source report: site/public/reports/projects/61-osworld-agent-evaluation.md
- Published report path: /reports/projects/61-osworld-agent-evaluation/
6. 读者问题
继续深挖时问什么
- 这个项目的评估信号能否稳定复现，还是只在 demo 中成立？
- 它改进的是 prompt、工具、记忆、代码、策略、数据，还是完整 agent 组织？
- 失败样本会不会被保存，并在下一轮产生行为改变？
- 它和同类项目相比，多出来且可复查的机制是什么？