FUURAA™ 赋睐™ AI 知识图书馆 · 评估指南

如何评估使用网页的 AI Agent

用六道证据门，把“完成网页任务”还原为可复现的初始状态、观察通道、行动权限、独立结果、副作用、恢复能力与迁移边界。适用于基准阅读、研究设计、工程评审与上线前核验。

进入六道证据门 ↓查看失效矩阵

发布2026 年 8 月 22 日证据状态基于一手网页与计算机 Agent 评估研究的方法综合；未评定任何产品适用范围浏览器 Agent、网页任务基准、研究报告与系统评审

把任务成功还原成状态变化

网页 Agent 不是只回答问题的模型，而是可能改变真实状态的行动系统。

一项可解释的网页 Agent 主张至少要连接：用户意图、初始状态、实际观察、获准行动、独立核验的最终状态，以及所有残余与副作用。缺少其中任何一环，任务成功率就可能把预置状态、隐藏协助、错误目标或重复后果计算为能力。

适用边界本页是公共研究方法，不代表 FUURAA 产品能力，也不评价任何具体 Agent、模型、供应商或基准；不是采购建议、性能保证、安全认证、审计意见或法律与合规结论。

六道可拒绝的证据门

每道门都要回答判断问题、交出最低证据，并在关键未知时停止外推。

冻结任务与初始状态

判断问题: 哪一项准确用户意图、账户、权限、网站状态、软件版本与评估时间共同定义了任务？
最低证据: 任务说明、起始 URL 与状态快照、账户角色、预置记录、语言区域、浏览器与网站版本、时间戳及重置流程。
停止条件: 缓存会话、既有记录或无法复现的实时状态可能让任务在 Agent 行动前就显得已完成时停止。

声明观察界面

判断问题: Agent 实际能看到什么：截图、像素、可访问性树、DOM、文本提取、网络响应还是隐藏元数据？
最低证据: 观察通道、捕获时点、视口与缩放、可访问性设置、解析器或 OCR 版本、被省略区域及人类评判者可见证据。
停止条件: Agent 获得主张场景中不存在的特权结构，或观察中缺失任务关键视觉证据时停止。

限定行动、权限与协助

判断问题: 允许哪些点击、输入、脚本、API、外部工具、重试与人工介入；禁止产生哪些后果？
最低证据: 行动结构、账户与域名边界、凭据处理、工具白名单、重试与时间预算、人工协助记录、确认门及禁止后果。
停止条件: 隐藏协助、不等预算，或超出既定用户与网站边界的权限改变了成功含义时停止。

独立核验结果与副作用

判断问题: 预期状态变化是否真实发生并保持，同时没有非预期变化，而不只是产生看似合理的点击轨迹或成功提示？
最低证据: 基于执行的评判器、权威前后记录、独立页面或 API 核验、副作用清单、延迟状态检查与评判器版本。
停止条件: 轨迹、模型评审或可见提示成为唯一证据，或评判器无法区分部分、重复与错误目标后果时停止。

测试中断、恢复与不安全路径

判断问题: 遇到超时、页面过期、认证变化、部分写入、重复提交、导航陷阱或越界请求时会发生什么？
最低证据: 故障注入案例、停止与升级行为、适用时的幂等键、恢复记录、残余后果、人工接管与关闭标准。
停止条件: Agent 重复不可逆行动、隐藏未知、绕过确认，或使用过期权限恢复执行时停止。

测量迁移并设定到期

判断问题: 表现能否延续到未见网站、不同布局、语言、可访问性模式、内容变化与当前认证流程？
最低证据: 保留网站与模板、分任务结果、重复运行与不确定性、语言与可访问性切片、变化日志、到期日及重新验证触发器。
停止条件: 缺少当前迁移证据，却把静态基准成功表述为在持续变化的开放网页上具有长期能力时停止。

最低失效矩阵

主动制造这些条件，才能知道成功来自能力、环境捷径，还是评判器盲区。

01
缓存登录或预置记录让目标在运行前已经成立
记录受影响任务、实际与预期状态差异、权限边界、评判器是否捕获、可保留的最窄结论，以及修复后必须重跑的范围。
02
行动轨迹看似正确，但权威状态从未改变
记录受影响任务、实际与预期状态差异、权限边界、评判器是否捕获、可保留的最窄结论，以及修复后必须重跑的范围。
03
目标状态达成，但另一条记录被误改或重复创建
记录受影响任务、实际与预期状态差异、权限边界、评判器是否捕获、可保留的最窄结论，以及修复后必须重跑的范围。
04
截图与 DOM 暴露的任务证据存在实质差异
记录受影响任务、实际与预期状态差异、权限边界、评判器是否捕获、可保留的最窄结论，以及修复后必须重跑的范围。
05
人工协助、隐藏重试或外部工具未计入分数
记录受影响任务、实际与预期状态差异、权限边界、评判器是否捕获、可保留的最窄结论，以及修复后必须重跑的范围。
06
布局、内容、认证或可访问性变化使结果失效
记录受影响任务、实际与预期状态差异、权限边界、评判器是否捕获、可保留的最窄结论，以及修复后必须重跑的范围。
07
Agent 跨越账户、域名、角色或权限边界
记录受影响任务、实际与预期状态差异、权限边界、评判器是否捕获、可保留的最窄结论，以及修复后必须重跑的范围。
08
评判器漏掉部分、延迟、重复或不可逆后果
记录受影响任务、实际与预期状态差异、权限边界、评判器是否捕获、可保留的最窄结论，以及修复后必须重跑的范围。

最低网页 Agent 评估记录

让下一位复核者能够重建 Agent 看到了什么、获准做什么、真正改变了什么。

01主张、发布者、发布日期与证据状态
02Agent、模型、浏览器、工具与评估日期
03任务、用户意图、初始状态、网站与软件版本
04账户、角色、权限、凭据与域名边界
05观察通道、视口、解析器、OCR 与被省略证据
06行动结构、确认门、禁止后果与协助
07提示、重试、时间、令牌、计算与人工协助预算
08评判器、最终状态检查、副作用检查与延迟核验
09失败、中断、恢复、残余后果与关闭
10运行次数、不确定性、分任务迁移、到期与重新验证

统一证据状态

不要把指定网页与时点内的成功压缩成开放网页上的普遍自主能力。

有支持

准确任务、状态、观察、权限、行动预算与独立核验结果均可重建，并包含副作用与重复运行。

有条件

结果只在明确网站、版本、账户、观察通道、权限、任务或评估窗口内可信。

结果混合

任务完成、副作用、语言、网站、重复运行或恢复测试指向不同方向。

证据不足

缺少初始状态、观察、权限、协助、评判器或结果证据；仅有成功轨迹不构成证据。

FUURAA 分析网页 Agent 评估最容易丢失的不是某一次点击，而是从意图到后果之间的证据链。FUURAA 建议把能力主张保留为“任务与初态 × 观察界面 × 权限与预算 × 独立结果 × 日期”，并把副作用、人工协助、恢复与到期写进结论。任务完成率可以描述结果，但只有这条链能说明结果是否来自获准、可复核且可迁移的行动。

一手来源与不可外推边界