CAW Eval

端到端评测 CAW Agent 质量：本地 Mac 作为调度器，dispatch 到远端服务器跑 headless claude （标准 / recipe 评测）或 openclaw agent（弱模型兼容性评测），评分和报告都在本地完成。

Step 0: 环境识别（必做）

[[ "$(hostname)" == *openclaw* ]] && echo "env=openclaw" || echo "env=local"

• env=local：继续。确保 gcloud auth login 已完成、IAP 通道可用。
• env=openclaw：停止。本 SKILL 是本地调度器，不能在 openclaw 服务器直接跑。 请回到本地 Mac 终端后重新触发。

流程路由

评测三个正交维度：

老 cli 仍兼容：--eval-mode standard ↔ e2e、--eval-mode recipe ↔ pact；--recipe-mode cc_with_recipe/openclaw → seed、cc_no_recipe → empty、cc_real_recipe/oc_real_recipe → real。

速查表（用户意图 → 命令模板）

run_name 别名约定：real → real-recipe、seed → seed-recipe、empty → no-recipe。模板：eval-{cc|oc}-{model}-{eval-mode}-{source-alias}-{YYYYMMDD-HHMM}。

默认：run_eval_cc.py --eval-mode e2e --recipe-source real（即 sonnet headless 全 E2E + agent 调真实 backend recipe）。

执行前的公共前置（SSH / gcloud / 服务器同步）：common-execution.md

概览

e2e / pact 评测（CC headless）

本地 Mac 用 run_eval_cc.py dispatch 并行调度 N 台服务器，每台跑 headless claude -p。

本地 dispatch → 动态队列（空闲服务器自动取下一个 item）
               → 远端 claude headless 跑任务
               → scp 拉回 session → 上传 Langfuse → 评分 → 报告

• 时间：17 case / 3 台 ≈ 30-50 分钟（取决于难度）
• 服务器池（详见 run-eval-cc.md Step 2）：
  • SERVERS_CC_MAIN：3 台（test09-11），跑 e2e / pact + recipe-source=real|seed
  • SERVERS_CC_CTRL：3 台（test12-14），仅跑 pact + recipe-source=empty 对照组
  • 两池互不干扰，Recipe 对比可并行
• 详细步骤：run-eval-cc.md
• Recipe 五种组合对比：run-eval-recipe.md

Openclaw 弱模型评测

本地 Mac 用 run_eval_openclaw.py dispatch 并行调度多台 openclaw 服务器，每台串行跑 openclaw agent，session 直接上传 Langfuse，本地评分出报告。

本地 dispatch → 多台服务器 openclaw agent 跑任务 → 上传 Langfuse
             → 本地读 Langfuse trace 评分（LLM Judge subagent 并行）→ 报告

• 时间：14 case / 3 台弱模型 ≈ 1-3 小时（取决于模型）
• 详细步骤：run-eval-openclaw.md

评分体系

e2e 模式（全流程）

综合分 = task_completion × 0.3 + process_quality × 0.7
process_quality = S1(意图) × 0.15 + S2(Pact) × 0.45 + S3(执行) × 0.4

pact 模式（仅评 pact 构造）

综合分 = S1(意图) × 0.20 + S2(Pact) × 0.45 + S3(交易构建) × 0.35
S3 = tx_construction_correctness × 0.5 + recipe_adherence × 0.3 + tx_submission_success × 0.2

无 task_completion。仅评估交易是否被正确构建/提交，不评估链上执行结果。

所有分数 0-1。详见 scoring.md。

问题归因（写报告时使用）

对每个 finding 按 7 层归类：🔵 被测 SKILL / 🟢 评分体系 / 🟡 数据集 / 🟤 Recipe / 🟠 评测工具链 / 🔴 产品代码 / 🟣 运行环境。细则见 issue-attribution.md。

数据集

• 默认 recipe-test-v3（pact 模式）/ standard-test-v3（e2e 模式）
• recipe-test-v3 和 standard-test-v3 内容完全一致（只是 metadata.eval_type 不同），区别仅在运行时：
  • --eval-mode pact --recipe-source seed：dispatch 注入 CAW_RECIPE_FILE，judge 评 tx 构建（不评链上）
  • --eval-mode e2e --recipe-source real：dispatch 不注入 CAW_RECIPE_FILE（agent 自主 caw recipe search），judge 评全流程（含 task_completion）
• --dataset-name 可指定其他数据集
• 数据集管理：dataset-management.md
• 数据集审查（11 条机械规则）：dataset-review.md

服务器环境搭建

新建 openclaw 评测服务器（GCP 实例 / openclaw / caw / onboarding / 充值 / 验证）： → server-setup.md

Scripts