最佳 Agent 取决于具体工作
一个总榜适合快速了解市场，但不足以做采购决策。团队应该按要自动化的工作流、服务语言和严重失败成本来选择。
- 总榜只用于第一轮排序。
- 语言榜和任务榜用于缩小候选。
- 严重失败率决定人审强度。
采购前必须比较什么
比较总分、语言适配、任务类型强项、格式通过率、严重失败率、成本档位和人工修复成本。最高分 Agent 未必对应最便宜或最安全的工作流。
推荐阅读路径
先看排行榜，再打开对比矩阵，接着进入对应场景页，最后阅读任务证据和失败标签，再决定是否试点。
排行榜应该怎么读
排行榜解读里的名次只回答“在这批任务和设置下谁表现更好”。它不能直接回答“谁一定适合你的业务”。更稳妥的读法，是同时看总分、语言分、任务类型、严重失败率、格式通过率和成本档位。
- 总分用于快速排序。
- 语言和任务类型用于缩小候选。
- 严重失败率用于决定是否需要更强人审。
什么时候不要相信第一名
如果第一名的优势主要来自你不使用的语言或任务类型，它可能不是你的最佳选择。比如一家只做中文客服的团队，不应该让英文写作分数主导采购；做结构化抽取的团队，也不应该只看自然语言回答质量。
上线前检查清单
把排行榜结果用于生产前，建议至少完成一次小规模复测。复测不需要复杂系统，但要覆盖真实输入、边界案例和失败后的处理方式。
- 是否有明确的人审和升级规则？
- 是否记录了模型版本和评测日期？
- 是否知道哪些输出不能直接发送或写入系统？
- 是否准备了失败后的回滚或人工接管方案？
读者可以马上做的下一步
如果你正在评估排行榜结果，可以从 10 条真实样本开始：3 条普通案例、3 条边界案例、2 条高风险案例、2 条格式或语言要求严格的案例。让 2 到 3 个候选 Agent 同场运行，再比较输出质量、修复时间和严重失败。