任务基准
来自研究、运营和浏览器工作流的真实任务，不为模型特意改写。
↘AGENT EVALUATION LAB · 2026
让每一个 Agent，都经得起真实工作。
我们把 Agent 放进真实任务、真实约束和真实时间里。用可复现的评测，帮你找到值得托付的智能。
68+模型已实测
14类工作流
每月更新基准
工作流可靠性LIVE RUNNING
0104081216
任务完成率
94.8%工具调用准确率
91.2%失败恢复能力
87.6%▲真实任务回放
✓结果可复现
从 demo 到交付
RESEARCH✳BROWSER USE✳LONG-HORIZON TASKS✳TOOL CALLING
/ 01 — 04
我们怎么测
不是把 Agent 关在
玻璃房里。
真实环境里的智能，必须能完成事情、解释过程，也知道什么时候应该停下来。我们把“好用”拆成可观察、可比较的证据。
了解评测原则 ↗约束环境
固定工具、权限、时间和预算，让不同方案站在同一条起跑线。
⌁公开结果
每一份报告都留下轨迹、失败样本和复现方式，而不只是一张分数表。
↗Linxai goods
先买一件，
把判断做扎实。
面向个人开发者、小型团队和企业创新部门的标准化产品。一次购买，按交付范围使用；需要更深的陪跑，再联系我们。
最适合开始LX—01
Agent 评测基准包
一套可以马上运行的任务集、评分 rubric 和报告模板，适合验证你的第一个 Agent。
一次性¥299
12 个真实任务 · PDF + Notion
可直接复用LX—02
Agent Skill 起步包
研究、网页和结构化写作三类 Skill，含提示词、工具 schema 与边界样例。
一次性¥599
3 套 Skill · 可商用许可
团队方案LX—03
Agent 方案审阅
一次 90 分钟的架构评审，带走一份风险清单、评测建议和下一步路线。
一次性¥1,980
1 次会议 · 1 份报告 · 7 日内交付
所有商品均为数字内容或一次性服务，付款前会展示交付范围、售后方式和发票信息。
最近一次公开评测
分数之外，
看见它为什么赢。
方案完成率工具调用恢复能力总分
01Orbit Agent v1.8TOP RUN
94.8%91.2%87.6%91.602Atlas Flow v2.1
91.4%89.7%82.3%87.803Northstar v0.9
88.2%86.4%79.1%84.6基准集 LinxBench v2.4 · 2026/09/21查看评分方法 ↗
“
把评测当作产品的一部分，而不是上线前最后一张 checklist。
— linxai.work / evaluation notes
✳让下一次 Demo，
从一件商品开始 ↗