evalstone/evalscope/docs/zh/benchmarks/skillsbench.md

SkillsBench

概述

SkillsBench 用于评估编码智能体是否能够发现并应用任务捆绑的 Agent 技能。每个任务包含一条指令、一个可选的技能目录、一个 Docker 环境、一个参考解决方案（oracle solution）和一个验证器（verifier）。EvalScope 会构建任务的 Docker 镜像，在该镜像中运行所选的智能体或参考方案，然后执行任务验证器。

任务描述

• 任务类型：智能体技能使用 / 工具辅助任务完成
• 输入：来自 task.md 的自然语言任务提示
• 输出：在任务容器内生成的文件或状态变更，由任务验证器评分
• 数据集：通过 extra_params.tasks_dir 提供的本地 SkillsBench 任务仓库
• 环境：基于 environment/Dockerfile 构建的每个任务专属 Docker 镜像
• 技能：可选的任务捆绑技能，位于 environment/skills
• 指标：来自 /logs/verifier/reward.txt 的 score；当 score > 0 时，success 为 1

核心特性

• 为每个选定任务构建或复用基于内容哈希的 Docker 镜像。
• 在单次 EvalScope 运行中，以 no-skill 或 with-skill 模式运行任务，不会混合两种模式。
• 通过 EvalScope 的智能体技能运行时注入任务捆绑技能，而非将运行器特定的技能路径硬编码进镜像。
• 支持 EvalScope 原生智能体和通过共享智能体环境接口的外部智能体运行器。
• 将验证器的标准输出、奖励值以及可选的 CTRF 工件保存至运行输出目录。

评估说明

• 默认 skill_mode 为 no-skill。
• 分别运行 no-skill 和 with-skill 模式，然后使用 EvalScope 的运行对比工具进行比较。
• 此适配器版本不支持 self-gen 和 tasks-extra。
• runner='oracle' 会运行官方的 oracle/solve.sh 用于冒烟测试；智能体运行需提供 agent_config。
• 验证器执行 verifier/test.sh，可能会从网络安装依赖项。

评分与对比

• score 是从 /logs/verifier/reward.txt 解析出的验证器奖励值。
• success 在本地计算：当 score > 0 时为 1.0，否则为 0.0。
• EvalScope 不会自动计算 no-skill 与 with-skill 的差异；需分别运行两种模式并对比其报告。

属性

属性	值
基准测试名称	skillsbench
数据集ID	skillsbench
论文	N/A
标签	Agent, MultiTurn
指标	normalized_score
默认示例数	0-shot
评估划分	N/A

数据统计

统计数据不可用。

样例示例

样例示例不可用。

提示模板

提示模板：

{question}

额外参数

参数	类型	默认值	描述
tasks_dir	str	``	SkillsBench 任务目录的路径。
task_ids	list	[]	可选的任务 ID 列表，用于指定运行哪些任务。
skill_mode	str	no-skill	SkillsBench 技能模式。选项：['no-skill', 'with-skill']
force_rebuild	bool	False	强制重新构建任务 Docker 镜像。
agent_timeout_sec	float	None	覆盖任务智能体的超时时间。
verifier_timeout_sec	float	None	覆盖任务验证器的超时时间。
runner	str	agent	使用 "oracle" 来运行 oracle/solve.sh 而非智能体。选项：['agent', 'oracle']

使用方法

使用 CLI

evalscope eval \
    --model YOUR_MODEL \
    --api-url OPENAI_API_COMPAT_URL \
    --api-key EMPTY_TOKEN \
    --datasets skillsbench \
    --limit 10  # 正式评估时请删除此行

使用 Python

from evalscope import run_task
from evalscope.config import TaskConfig

task_cfg = TaskConfig(
    model='YOUR_MODEL',
    api_url='OPENAI_API_COMPAT_URL',
    api_key='EMPTY_TOKEN',
    datasets=['skillsbench'],
    dataset_args={
        'skillsbench': {
            # extra_params: {}  # 使用默认额外参数
        }
    },
    limit=10,  # 正式评估时请删除此行
)

run_task(task_cfg=task_cfg)