腾讯 WorkBuddy 团队最新开源了 2 个 Agent Skill：wbbench-report-skills 和 wbbench-run-setup。

WorkBuddy Bench 是 WorkBuddy 产品工程实践的副产品——腾讯将内部用于模型选型、Harness 回归测试和任务分布分析的体系整体打包成了开源基准测试。

多模型 Agent 工作台的选型结果显示：GLM-5.2 在安全场景下表现突出，GPT-5.5 的 Token 消耗最低，Claude Opus 综合能力最强。这也解释了 WorkBuddy 为何选择多模型动态切换策略，而非单一依赖自家模型。

重点不是榜单数字，而是为了让别人复现这套选型，团队在仓库的 .agents/skills/ 下放置了两个 Agent Skill：一个负责把评测跑起来，一个负责把报告写对。在 Claude Code 或 CodeBuddy Code 等 Skill 感知的客户端中一句话唤起，就能一阶段一确认地跑完整轮评测。

真正值钱的不是基准本身那 260 道任务（Code 80、Web 70、Office 50、Security 60），而是这两个 Skill 把跑评测和写报告里最容易踩的坑，直接固化成了 Agent 可执行的 Playbook。

两个 Skill 的分工很明确：wbbench-run-setup 负责把评测跑起来，wbbench-report-skills 负责把报告写对。一个管跑，一个管分析。

Skill 1：7 阶段评测流程

wbbench-run-setup 是一个 7 阶段（0 到 6）的交互式 Playbook，从零配置的 checkout 一路带到跑完分析：

• 阶段 0：拉取数据集
• 阶段 1：配置环境
• 阶段 2：写模型配置
• 阶段 3：填写 .env 凭据
• 阶段 4：编写 job 文件
• 阶段 5：dry-run 确认后执行
• 阶段 6：交给 report skill 出报告

设计特点：

• 读实时模板，不靠记忆：不会因模板演进还拿旧字段处理
• 运行时发现选项，不硬编码：避免使用可能过时的列表
• 一阶段一确认：全程用用户语言回复

Skill 2：报告生成

wbbench-report-skills 路由 Office、Web、Code 三个 Benchmark 的报告生成。第一步不是分析，而是先甄别 RUN_DIR 到底是哪一层。

Harbor 的结果目录有三层嵌套：

• JOB 层：只有时间戳子目录，没有 job.log
• RUN 层：单次评测运行，有 job.log 加若干子目录（这才是正确层）
• TRIAL 层：有 trial.log 加 verifier/，对应单道题

选错了层，整份报告就错了。Skill 的策略是：选不出唯一候选就回头问用户，绝不猜默认路径。

甄别完后，三步生成报告：校验 RUN_DIR、运行 workbuddy_bench.scorer.metrics 生成 metrics.json、再写 report.md。输入产物全程只读，只往 REPORT_DIR 写东西，不修改 Harbor 原件，也不重跑评测。

报告卫生的关键规则：

• reward ≠ pass_rate：reward 是主分，取每任务 reward 均值，build_error 记 0 进分母；pass_rate 是 verifier 得分 ≥ 1.0 的 trial 占比，即整题全通过比例
• Rule-only 和 Rule+Judge 评分契约不同，不能直接比较
• 每个判断必须绑定 task id 加证据，不能只甩个均分
• 只改测试、不动产品代码的改动不算有效修复，除非任务本身就是 Test Generation

相关链接

• 论文标题：Tencent WorkBuddy Bench: A Multi-Domain Coding-Agent Benchmark with Contamination-Resistant Task Construction
• arXiv：2607.20911
• GitHub：https://github.com/Tencent/workbuddy-bench