1. AlphaEval: Evaluating Agents in Production

  • 类型：arxiv
  • 标识：2604.12162
  • 链接：https://arxiv.org/abs/2604.12162
  • 主题：agent, database, engineering, evaluation, llm-infra, multimodal, rag, risk
  • 主分类：evaluation
  • 形态：benchmark
  • 被引：1
  • 被引来源：Semantic Scholar
  • S2被引：1
  • OpenAlex被引：0
  • 影响力被引：0
  • TLDR：This work presents AlphaEval, a production-grounded benchmark of 94 tasks sourced from seven companies deploying AI agents in their core business, spanning six O*NET (Occupational Information Network) domains, and contributes a requirement-to-benchmark construction framework that standardizes the entire pipeline from requirement to evaluation.
  • OpenAlex ID：W7154537784
  • OpenAlex DOI：10.48550/arxiv.2604.12162
  • DOI：10.48550/arxiv.2604.12162
  • DOI来源：OpenAlex
  • 开放获取：green
  • 开放获取链接：https://doi.org/10.48550/arxiv.2604.12162
  • OpenAlex更新：2026-07-19
  • 标题中文：AlphaEval: 在生产环境中评估 Agent
  • TLDR中文：本工作提出 AlphaEval，一个基于真实生产环境的基准，包含来自七家在其核心业务中部署 AI Agent 的公司的 94 个任务，覆盖六个 O*NET (Occupational Information Network) 领域；并贡献了一套从需求到基准的构建框架，将从需求到评估的完整流程标准化。
  • 副分类：agent
  • 待LLM分类：否
  • 来源文件：
  • /inbox/jay/2026-06-11-agent-eval-production-engineering.md
  • [S2 enrich]
  • [OpenAlex backfill]

可复用信息

    • 来源: arXiv:2604.12162v1 (2026)
    • 类型: 学术基准 + 工程评测框架
    • 原文链接: https://arxiv.org/html/2604.12162v1
    • 可信度: 高（学术 peer-reviewed，多公司生产数据）
    • 核心观点:
    • 生产评测覆盖多范式：LLM-as-Judge / reference-driven / formal verification / rubric-based / automated UI testing

写作用途

  • 可放入 RAG / 知识库 / 检索增强相关工作的对比段。
  • 可用于 Agent 架构、记忆、工具调用或多智能体研究背景。
  • 可用于多模态推理、视觉语言模型或长上下文多模态问题定义。
  • 可用于系统实现、实验平台或工程约束说明。
  • 可用于局限性、风险、失效模式和未来工作。

待补齐

  • BibTeX / 正式引用格式
  • 方法与实验设置细节
  • 与现有工作的差异点
  • 是否有代码和数据集