AgentLab

首个基于 LLM 的通用 Web Agent 和基准测试（NeurIPS 2023 Spotlight），为构建能在真实网站上执行任务的智能体提供数据集、评估框架和基线方法。

WebArena 是一个用于评估自主 Web Agent 的真实基准环境，提供类 Gym 接口的交互式网站模拟，涵盖电商、论坛、CMS 等场景，支持端到端任务评估，是 Web Agent 研究领域的标准评测框架。

Cappuccino 是围绕浏览器智能体能力构建的研究项目，探索模型如何理解网页界面、拆解操作步骤并完成复杂线上任务。它适合用于 Web Agent 基准实验、动作轨迹分析和浏览器自动化方法验证。

AWS Agent Evaluation 是亚马逊提供的 AI Agent 评估工具，支持对 Bedrock Agent 和其他 LLM Agent 进行自动化质量评估。提供多维度的评估指标和基准测试框架，帮助开发者持续改进 Agent 性能。