如今，AI代理(Agent)作为一种复合型AI系统，正成为研究的前沿热点。然而，普林斯顿大学的研究人员在最新发表的论文中指出，当前的代理基准测试和评估方法存在严重缺陷，这些缺陷可能会阻碍真正有用的AI代理的开发。本文将深入探讨这项研究的核心发现，并详细介绍研究者提出的创新方法，为AI代理的评估和开发提供新的思路。

研究者指出，目前已有十多个代理基准测试被开发出来，涵盖了网络交互、编程和工具使用等多个领域。同时，许多原本用于评估语言模型的基准测试也被用来评估代理。然而，代理评估与语言模型评估有着根本的区别：

1. 代理通常用于更困难、更现实、更有实际效用的任务，这些任务往往没有单一的正确答案。

2. 代理可以执行更复杂的操作，如使用命令行完成任务。

3. 代理的运行成本可能远高于单次模型调用。例如，SWE-Agent的每次运行成本上限为4美元，相当于数十万个语言模型token。

这些差异导致代理评估面临独特的挑战，需要新的评估框架和方法。

图片由xiumaodalle生成

 1. 盲目追求准确率，忽视成本

研究者发现，当前的代理评估过分关注准确率，而忽视了推理成本这一关键指标。他们通过实验证明，简单地增加模型调用次数就能显著提高准确率。例如：

- 在AlphaCode上，通过100万次重试可以将准确率从接近0%提高到30%以上。

- 在HumanEval基准测试中，研究者提出的简单"升温"策略(gradually increasing temperature)在成本降低50%的情况下，达到了与最先进复杂代理架构相当的准确率。

这张HumanEval结果的帕累托前沿图展示了不同AI代理和模型在HumanEval编程任务上的性能对比，主要从准确率和成本两个维度进行评估。图中的帕累托前沿线显示了在给定成本下能达到的最佳准确率。（需要解释一下:帕累托前沿线（Pareto Frontier）是经济学和决策科学中的一个重要概念，特别在多目标优化问题中，在帕累托最优点上，任何一个目标的改进都无法在不损害其他目标的情况下实现。如果一个解的某个目标的改进会导致其他目标的退化，那么这个解被称为帕累托最优。）值得注意的是，简单的基线方法（如Warming和Retry）在准确率上与复杂代理相当，但成本显著降低。

这一发现暴露出两个严重问题：

1. 最先进的代理系统可能变得不必要的复杂和昂贵。

2. 业界对准确率提升的来源可能得出了错误结论，过分强调了"系统2"思维等复杂方法的作用。

 2. 模型开发者和下游开发者需求混淆

研究者指出，当前的基准测试没有区分模型开发者和下游应用开发者的不同需求。他们以NovelQA基准为例说明了这一问题：

NovelQA要求模型一次性回答关于一部小说的所有问题。这种设计有利于评估长上下文模型，但并不反映现实应用场景。在实际使用中，用户更可能逐个提问，这会大大增加检索增强生成(RAG)方法的成本。关于RAG的最佳实践：

研究者的实验显示：

- 在NovelQA上，RAG方法的成本仅为长上下文方法的一半。

- 但在现实场景中，RAG方法的成本可能是长上下文方法的20倍以上。

这种差异可能误导下游开发者对不同方法的选择。

 3. 缺乏适当的留出集

研究者分析了17个近期的代理基准，发现许多基准缺乏适当的留出集，（再解释一下：什么是留出集，（hold-out set）是指在机器学习和数据分析中，为了评估模型性能而预留的一部分数据集。留出集用于测试模型的泛化能力，即模型在未见过的数据上的表现，主要用于模型评估和防止模型过拟合）有些甚至完全没有。这可能导致代理过拟合基准测试，而在现实世界中表现不佳。

研究者将代理的泛化能力分为四个级别：

1. 分布特定

2. 任务特定

3. 领域通用

4. 完全通用

他们建议，留出集的设计应与代理的预期泛化级别相匹配。然而，在17个基准中：

- 只有5个具有与其泛化级别相匹配的留出集

- 7个完全没有留出集，也没有计划添加

以WebArena为例，它旨在评估代理在各种网络任务上的表现，应属于领域通用级别。但它缺乏对新网站和任务的留出测试，这可能导致代理只是记住了特定任务的解决方案，而无法泛化到新的网络环境。

 4. 评估实践缺乏标准化

研究者在复现WebArena和HumanEval的评估结果时，发现了普遍存在的可重复性问题。这些问题包括：

1. 评估脚本对代理设计做出不适当假设

2. 将语言模型评估基准不加修改地用于代理评估

3. 高昂的评估成本导致难以估计置信区间

4. 对外部因素(如网络环境)的依赖导致微妙错误

5. 缺乏标准化导致评估和开发中出现细微bug

例如，在复现LATS代理的结果时，研究者发现：

- LATS的评估脚本只在部分HumanEval任务上使用真实测试用例，导致一些错误解决方案被标记为正确。

- 这个问题导致LATS的实际准确率比报告的低约3个百分点。

这些问题不仅影响了结果的可靠性，还可能导致对代理能力的过度乐观估计。

面对这些挑战，研究者提出了一系列创新方法，旨在提高AI代理评估的科学性和实用性。

 1. 控制成本的评估方法

研究者提出了一种新的评估方法，将结果可视化为准确率和推理成本的帕累托曲线。这种方法允许同时考虑准确率和成本，为代理设计提供了新的优化空间。

这张图提供了更全面的视角，展示了准确率（y轴，范围从0到1）与API成本（x轴，以2024年4月的美元计，范围从0到140美元）的关系。这个完整的坐标轴让我们能够更清晰地看到各种方法之间在HumanEval编程任务上的差异：

- 大多数方法集中在图的左上角，表明它们在较低成本下就能达到较高的准确率。

- LATS (GPT-4)虽然准确率最高，但成本远高于其他方法，位于图的最右侧。

- 简单的策略（如Warming和Retry）能够以相对较低的成本达到与复杂代理相当的准确率。

- 成本并不总是与性能成正比。例如，LATS (GPT-4)的成本是其他方法的数倍，但准确率提升并不显著。

这些发现表明，通过智能的策略设计，可以在不大幅增加成本的情况下显著提高代理性能。

2. 联合优化准确率和成本

研究者提出了一种联合优化方法，通过权衡固定成本（如超参数优化）和可变成本（每次运行的成本）来设计更高效的代理。

他们基于DSPy框架实现了这一方法，并在HotPotQA基准上进行了测试。结果显示：

- 对于GPT-3.5，联合优化将可变成本降低了53%，同时保持了相似的准确率。

- 对于Llama-3-70B，可变成本降低了41%，准确率保持不变。

这种方法为代理设计提供了新的思路：通过前期投入更多资源进行彻底的优化，可以显著降低后续的运行成本，这也是近期DSPy在很多大厂风靡一时的原因。

 3. 区分模型评估和下游评估

研究者强调，模型开发者和下游应用开发者有着不同的评估需求，应该使用不同的基准测试。

- 对于模型评估，应避免使用美元成本这样会随时间变化的指标，而应使用诸如参数数量或训练计算量这样的代理指标。

- 对于下游评估，实际成本才是关键。研究者建议包括输入/输出token数，以便使用者能够根据当前价格重新计算成本。

研究者还开发了一个简单的Web应用，允许用户调整不同语言模型的当前价格，并可视化HumanEval上各代理的成本-准确率权衡。

 4. 设计合适的留出集

为防止代理过拟合基准测试，研究者建议根据代理的预期泛化级别设计相应的留出集：

1. 分布特定基准：留出同分布的样本

2. 任务特定基准：留出分布外的样本

3. 领域通用基准：留出全新的任务

4. 完全通用基准：留出全新的领域

例如，对于旨在评估通用网络交互能力的WebArena基准，留出集应该包含训练中没有出现过的网站类型和任务类型。

5. 标准化评估实践

研究者呼吁建立一个专门的代理评估框架，类似于HELM和LM Evaluation Harness这样的语言模型评估框架。这个框架应该：

1. 提供灵活的评估脚本，适应不同的代理设计

2. 将代理评估与语言模型评估明确区分

3. 允许多次运行以估计置信区间

4. 考虑外部因素对评估的影响

5. 建立社区规范，减少细微错误

这个表格提供了不同AI代理在HumanEval任务上的性能和成本对比。从中我们可以得出以下关键见解：

1. 复杂不等于更好：简单但经过优化的策略（如Warming）可以达到与复杂代理相当或更好的性能，同时大幅降低成本。例如，Warming (GPT-4)达到了93.2%的准确率，成本仅为2.45美元，而LATS (GPT-4)虽然准确率为88.0%，但成本高达134.50美元。

2. 成本意识的重要性：在评估AI代理时，不能只看准确率，还需要考虑成本因素。例如，Escalation策略以仅0.27美元的成本达到了85.0%的准确率，这在资源受限的场景下可能是一个极具吸引力的选择。尽管Token成本在国内一降再降，目前可以忽略，可大模型厂商又不是慈善机构，也有成本的啊，最终价格一定会回到一个合理区间。到那个时候，你的Agent又当如何应对？

3. 模型选择的影响：使用GPT-4的代理普遍比使用GPT-3.5的代理表现更好，但成本也更高。这突显了在选择基础模型时需要权衡性能和成本。

4. 策略优化的潜力：通过智能的策略设计（如Warming、Retry、Escalation），可以在有限预算内显著提升性能。这为AI系统优化开辟了新的研究方向。

普林斯顿大学研究者的工作为AI代理评估和开发领域带来了重要启示：

1. 我们需要超越简单的准确率追求，采用更全面、更贴近实际的评估方法。

2. 成本控制和效率优化应该成为代理开发的核心考虑因素，即便是部署了Agent后续成本问题可能会成为焦点问题，这项研究还没有考虑Prompt的鲁棒性。

3. 评估方法应该能够准确反映代理在现实环境中的表现。

4. 标准化和可重复性对于推动整个领域的进步至关重要，这或许会成为一些头部企业的前进方向。

吸引我给大家介绍这篇文章的是DSPy技术的应用，DSPy在Agent开发方面真的非常具有优势