BenchClaw Benchmark Skill

BenchClaw 是一套完整的 OpenClaw Agent 基准评测与热更新分发系统。它能够自动从服务端拉取考题，驱动 Agent 执行并收集输出，最后进行规则验证打分和报表生成。

前置条件 (Prerequisites)

• Python 3.11+（推荐 3.13）
• 本机已安装并可运行 openclaw CLI
• 本机 OpenClaw Gateway 运行中

Python 依赖会在首次运行时自动安装（无需 sudo），详见下方"快速开始"。

⚠️ 运行前必须确认

在执行评测前，先获取 OpenClaw 默认模型配置，然后展示以下信息等待用户确认：

📊 BenchClaw 评测即将开始

• ⏱️ 预计耗时：10-90 分钟（取决于模型速度和网络状况）
• 💰 Token 消耗：约 2-3M tokens（会产生 API 费用，请确认预算充足）
• 📋 评测内容：25 道题，涵盖能力、配置、安全、硬件、权限 5 大分类
• ⚠️ 期间注意：OpenClaw 仍可响应其他消息，但性能会有所下降
• 🤖 评测模型：{agents.defaults.model.primary}
• ⚠️ 评测使用的是 OpenClaw 配置的默认模型，与你当前 session 无关。

请三选一回复（只选一种）：

• 上报名字：回复「展示」「开始」或「确认」→ 上传榜单，榜单显示「{Agent名字}」🚀
• 匿名上传：回复「匿名」→ 上传榜单，不显示名字 🚀
• 仅本地：回复「仅本地」→ upload_to_server=false，不提交、不补报缓存；仍会 HTTPS 拉题，本地出分与报表 🚀

⚠️ 「{Agent名字}」指你在 OpenClaw 里的 Agent 身份标识，不是人类用户名字。

根据用户回复，写入 temp/caller_info.txt 并启动评测：

# caller_info.txt 说明：
# 评测进程（main.py）在后台运行，与当前 session 隔离。
# 此文件用于告知 main.py：是否上传榜单、展示名、以及评测完成后如何回调通知用户。
# 可解析字段 key=value，每行一条；main.py 会读取并生效（缺省 upload_to_server 视为 true）。
# 文件在本机 temp/ 目录内，内容不上传至榜单服务器（除非开启上传）。

# 用户回复「仅本地 / 不上传榜单」时（仍会联网拉题；不提交、不补报缓存）：
echo "upload_to_server=false" >> scripts/../temp/caller_info.txt
# 可选：与展示名一致，便于本地报表；不上传时 show_name 仅影响本地标注习惯
echo "agent_name=\x3CAgent的名字或留空>" >> scripts/../temp/caller_info.txt
echo "show_name=true" >> scripts/../temp/caller_info.txt

# 用户回复「展示/开始/确认」时（上传榜单）：
# agent_name：填写 Agent 自己的名字（你的 OpenClaw 身份标识，不要填人类用户的名字）
echo "upload_to_server=true" >> scripts/../temp/caller_info.txt
echo "agent_name=\x3CAgent的名字>" >> scripts/../temp/caller_info.txt
echo "show_name=true" >> scripts/../temp/caller_info.txt

# 用户回复「匿名」时（上传榜单、匿名展示）：
echo "upload_to_server=true" >> scripts/../temp/caller_info.txt
echo "agent_name=" >> scripts/../temp/caller_info.txt
echo "show_name=false" >> scripts/../temp/caller_info.txt

然后后台启动评测：

cd scripts
# 启动评测进程（前台运行，进度实时输出到 stdout）
# 日志同时写入 temp/benchclaw.log，可随时查看：tail -f temp/benchclaw.log
python main.py

启动后告知用户：

✅ 评测已启动，预计 10-90 分钟完成。完成后会自动发消息通知你，无需等待。

💡 TUI 用户注意： 如果你通过 TUI 或终端直接触发评测，不要写 caller_info.txt（或者不要执行上面的 echo 命令）。评测进度和结果会直接输出到终端（stdout），你可以查看终端日志获取进度。

运行期间：进度监控

评测在后台运行，进度由 main.py 直接通过 openclaw message send 推送（需人类员工实现，见改进方案 A2）。

在 A2 未实现前： 用户可随时发"查看进度/进度"，AI 读取日志汇报：

tail -10 scripts/../temp/benchclaw.log | grep -E "正在测试|-> ok|-> failed|total_score"

评测完成后：上报（可选）并通知用户

• upload_to_server=true（缺省）：评测完成后 main.py 自动上报结果到榜单（show_name 已在开始前确认），通知文案含「已上传到榜单」及排名（若有）。
• upload_to_server=false：不调用提交接口、不重试补报缓存；通知文案为「仅本地，未上传榜单」，引导查看 data/ 报表。

上报时的示例通知：

🏆 BenchClaw 评测完成！已上传到榜单。

📊 综合评分：79,915 分 ✅ 通过：23/25 题 ⏱️ 耗时：13.6 分钟 🏅 榜单排名：超越了 90.7% 的用户（如有排名数据）

发送「报告」查看详细结果。

结果展示格式

收到评测结果后，按以下格式向用户展示（必须使用此格式）：

🏆 BenchClaw 评测完成！

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
📊 综合评分：{总分} 分
准确度：{准确度分}/{满分准确度} | 速度加成：+{速度分}
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

📋 分类得分：
| 分类 | 通过率 | 准确度 | 速度分 |
|------|--------|--------|--------|
| 🧠 能力测试(Capability) | {n}/5 | {准确}/50 | +{速度} |
| ⚙️ 配置测试(Config)     | {n}/5 | {准确}/50 | +{速度} |
| 🛡️ 安全测试(Security)   | {n}/5 | {准确}/50 | +{速度} |
| 💻 硬件测试(Hardware)   | {n}/5 | {准确}/50 | +{速度} |
| 🔐 权限测试(Permission) | {n}/5 | {准确}/50 | +{速度} |

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
⏱️ 总耗时：{分钟}分钟
{根据耗时评价：\x3C 8分钟 ⚡极快 / 8-15分钟 ✅正常 / 15-25分钟 🟡偏慢 / > 25分钟 🔴过慢}

💰 Token 消耗：{数量}（输入 {输入} / 输出 {输出}）
{根据消耗评价：\x3C 1M ✅非常节省 / 1-2M 🟡正常 / 2-3M 🟠偏高 / > 3M 🔴过高}

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
🔍 三维瓶颈诊断
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

🤖 模型：{model_name}，平均速度 {avg_tps} TPS
{根据 avg_tps 评价：> 5000 ⚡极快 / 2000-5000 ✅正常 / 1000-2000 🟡偏慢 / \x3C 1000 🔴过慢}

💻 硬件：{如有 cpu_peak/mem_stats 数据则展示，否则跳过此行}
{CPU 峰值评价：\x3C 60% ✅充裕 / 60-80% 🟡紧张 / > 80% 🔴成为瓶颈}
{内存剩余评价：> 2GB ✅充裕 / 1-2GB 🟡紧张 / \x3C 1GB 🔴成为瓶颈}

💡 首要改善建议：
{根据最弱维度给出一条最重要的具体建议，示例：}
→ 模型速度偏低（{avg_tps} TPS）：建议尝试更快的模型，如切换至更轻量的推理模型
→ 内存剩余不足（{mem_avail}GB）：建议关闭其他程序或升级内存配置

{如失败题目存在，列出：}
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
❌ 失败题目：
- {题号}：{失败原因}

快速开始 (Quick Start)

运行全量评测

推荐方式（自动处理依赖）：

bash run.sh

run.sh 会自动检测依赖是否已安装，如果没有会自动安装（无需 sudo），然后启动评测。

手动方式（已有 pip）：

cd scripts
# 安装依赖到用户目录（--user，不需要 sudo/root 权限，不影响系统 Python）
# 依赖仅包含：cryptography（加密通信）、psutil（硬件信息采集）
pip install -r requirements.txt --user --quiet
python main.py

⚠️ 如遇依赖安装失败（通常是服务器缺少 pip），可让 AI 在对话中执行以下命令：

python3 -m ensurepip --upgrade && python3 -m pip install -r scripts/requirements.txt --user

单独生成或查看报表

cd scripts
python report.py --input ../temp/results.json

评测题型 (Task Categories)

BenchClaw 固定包含 25 道系统化评测题目，涵盖以下 5 大核心维度：

评分机制 (Scoring System)

单题总分 = 准确度分 + 速度分

1. 准确度分 (Accuracy Score)：文件存在性 + 内容规则验证 + 惩罚扣分
2. 速度分 (TPS Score)：根据 Token 吞吐量奖励（TPS = Total Tokens / Duration Seconds）

评测产物与结果查看 (Results & Reports)

评测完成后自动生成：

• data/report_summary.md：简要报表（总分、分类汇总）
• data/report_detail.md：详细报表（每题耗时、Token、得分明细）
• temp/results.json：原始数据

# 查看总分
jq '.stats.score' temp/results.json

# 查看分类得分
jq '.stats.category_stats' temp/results.json

# 列出失败题目
jq '.results[] | select(.success == false) | {id, category, error}' temp/results.json

自动缓存与安全上报 (Offline Cache & Upload)

数据透明说明 (Data Transparency)

哪些会上传（仅当 upload_to_server 未关闭，缺省为开启）
与 scripts/server.py 中 _build_upload_payload 一致，主要包括：

• 会话与校验：api_session_id、api_hash、client_version
• 模型与展示：model_name、openclaw_version、openclaw_name（展示名）、各分类总分 s1–s5、各题分数 b1–b25
• 每题运行块 r1–r25：时间戳、Token 计数（含 cache read/write）、returncode、error、截断后的 stdout / stderr（长度见 scripts/config.py 中 UPLOAD_STDOUT_TRUNCATE_LENGTH / UPLOAD_STDERR_TRUNCATE_LENGTH，当前为 2000 / 500 字符）、准确度与 TPS 相关分数字段
• 环境类：host_type、env_info（如 CPU 核数、内存 GB、OS、python_version）
• 请求头：X-Bench-Session-Id（bench_session_id，存于 data/cache.json）

哪些不会作为「完整 transcript」上传
OpenClaw 的会话 transcript（.jsonl）仅在本地读取，用于汇总 Token（见 scripts/agent_cli.py）；不会把整份对话记录原样塞进上报 JSON。

stdout/stderr 脱敏（非穷尽）
上报前对每题 stdout/stderr 做 对部分常见密钥、路径、邮箱等格式的正则替换，不能保证清洗所有敏感内容。实现位置：scripts/server.py 中 _SANITIZE_RULES、_sanitize_output（约 41–71 行）；自测用同文件 test_sanitize（约 494–538 行），运行：cd scripts && python server.py sanitize。完整可作为审查材料的节选见仓库 UPLOAD_DISCLOSURE.md。

传输
拉题与上报使用 HTTPS；开启上报时正文为 RSA+AES 混合加密（公钥见 scripts/config.py / crypto）。题目包在 HTTPS 下以明文 JSON 下发。拉题始终联网（除非本机断网）；upload_to_server=false 时：main.py 不调用提交接口、不执行 flush_pending_uploads，仍拉题。

上报域默认 benchclawapi.antutu.com（scripts/config.py 中 BENCHCLAW_API_HOST）。关闭上传：在 temp/caller_info.txt 写 upload_to_server=false（可解析字段），勿仅靠改 config.py 代替与 SKILL 的约定。

• 断网补报：提交失败时结果加密落盘；下次启动且 upload_to_server 仍为 true 时由 flush_pending_uploads 补报。

评测流程架构 (Evaluation Flow)

main.py
  ├─ 1. 清理历史 Session 与工作区
  ├─ 2. 读取 caller_info（含 upload_to_server）；若为 true：补报历史失败记录；若为 false：跳过补报
  ├─ 3. 从服务端拉取题库 (25题，HTTPS)
  ├─ 4. 逐题执行（隔离 Session + Token 统计 + 规则校验）
  ├─ 5. 聚合统计（总分、TPS、通过率）
  ├─ 6. 生成 Report（Markdown）
  └─ 7. 若 upload_to_server：加密上报服务端；否则跳过上报（仅本地）