跳转到主要内容
本指南将带你完成从 Agent 配置到评估结果的完整流程。

​
概览

  1. 选择 Agent
  2. 配置 Agent
  3. 选择 Benchmark
  4. 运行任务
  5. 评估结果
  6. 查看输出

​
1. 选择 Agent

browseruse-bench 支持多个 Agent，可按需求选择：
Agent说明文档
browser-use支持视觉的可编程浏览器 Agent详情
Agent-TARS基于 Node.js CLI 的推理型 Agent详情
Skyvern基于 Skyvern SDK 的浏览器自动化 Agent详情
Claude CodeAnthropic 官方 Claude CLI，通过 Playwright MCP 操控浏览器详情

​
2. 配置 Agent

所有 Agent 的运行时配置都写在根目录 config.yaml 的 agents.<agent-name> 下，这是推荐方式。 复制示例配置并填入你的凭证： 
cp config.example.yaml config.yaml
然后编辑 config.yaml 的 agents 部分： 
agents:
  browser-use:
    active_model: gpt          # 默认使用的模型配置名
    models:
      gpt:
        model_type: OPENAI
        model_id: gpt-4.1
        api_key: $OPENAI_API_KEY
        base_url: $OPENAI_BASE_URL
    browser:
      browser_id: Chrome-Local
    defaults:
      use_vision: false
      max_steps: 40
      timeout: 600
运行时可通过 --model 切换模型，无需修改配置文件： 
bubench run --agent browser-use --model gpt ...
不推荐：configs/agents/<agent>/config.yamlconfigs/agents/ 下的独立配置文件不再是推荐方式，后续版本可能下掉。请改用根目录 config.yaml（见上方）。如仍需使用，可通过 --agent-config configs/agents/<agent>/config.yaml 显式指定。

​
3. 选择 Benchmark

根据评估需求选择 Benchmark：

​
LexBench-Browser

  • 评估方式：视觉评估（截图序列）
  • 评分：0-100，默认阈值 60
  • 适用场景：视觉理解、多步推理

​
Online-Mind2Web

  • 评估方式：WebJudge 多轮评估
  • 评分：3 分制，默认阈值 3
  • 适用场景：网页导航与任务完成

​
BrowseComp

  • 评估方式：文本答案正确性
  • 评分：二值（正确/错误）
  • 适用场景：事实检索与信息抽取

​
4. 运行任务

​
基本命令

bubench run \
  --agent browser-use \
  --benchmark LexBench-Browser \
  --split All

​
所有参数

参数说明备注
--agentAgent 名称默认取 config.yaml 中的 default.agent（兜底 Agent-TARS）
--benchmarkBenchmark 名称默认取 config.yaml 中的 default.benchmark（兜底 Online-Mind2Web）
--split数据划分默认 All
--data-source数据源local（默认）或 huggingface
--force-download重新下载数据仅 huggingface
--mode任务选择模式single、first_n、sample_n、specific、by_id、all
--countfirst_n/sample_n 的任务数默认 1
--task-idsspecific 模式的任务 ID空格分隔多个 ID
--idby_id 模式的单个任务 ID数值 ID 字段
--timeout单任务超时（秒）覆盖配置中的 TIMEOUT
--skip-completed跳过已完成任务适合断点续跑
--agent-config显式指定外部 Agent 配置文件路径可选；默认从根目录 config.yaml 读取运行时配置
--timestamp指定运行/恢复目录YYYYMMDD_HHmmss
--dry-run仅打印命令不执行用于检查配置

​
输出结构

结果会保存到： 
experiments/{benchmark}/{split}/{agent}/{timestamp}/
├── tasks/
│   ├── <task_id>/
│   │   ├── result.json
│   │   └── trajectory/
│   │       ├── screenshot-1.png
│   │       └── ...
└── tasks_eval_result/
    └── *_summary.json

​
进度查看

日志位于 output/logs/run/： 
ls -t output/logs/run | head -n 1
# 然后 tail 最新文件

​
5. 评估结果

​
执行评估

bubench eval \
  --benchmark LexBench-Browser \
  --agent browser-use \
  --model-id bu-2-0 \
  --split All
脚本会自动在 --agent / --model-id 对应的输出目录下选择最新的运行结果。

​
评估参数

参数说明默认值
--model-id运行时使用的 model_id（作为输出子目录名）回退到 agents.<agent>.active_model 对应的 model_id
--model评估用 LLM 模型config.yaml 中的 eval.model
--score-threshold成功阈值LexBench 60，其他 3
--force-reeval强制重评估false
--timestamp指定评估目录最新（自动识别）
--data-source数据源（仅 LexBench）local
--force-download重新下载数据（仅 LexBench）false

​
输出文件

评估结果保存在 tasks_eval_result/：
  • 详细结果：*_eval_results.json
  • 统计汇总：*_summary.json

​
查看结果

cat experiments/{benchmark}/{split}/{agent}/{timestamp}/tasks_eval_result/*_summary.json

​
完整示例

# 1. 在根目录 config.yaml 中配置 Agent
vim config.yaml   # 编辑 agents.browser-use 部分

# 2. 运行推理（前 10 个任务）
bubench run \
  --agent browser-use \
  --benchmark LexBench-Browser \
  --split All \
  --mode first_n \
  --count 10

# 3. 评估结果
bubench eval \
  --benchmark LexBench-Browser \
  --agent browser-use \
  --model-id bu-2-0 \
  --split All

# 4. 查看汇总
ls -lh experiments/LexBench-Browser/All/browser-use/*/tasks_eval_result/

​
常见问题

​
超时错误

问题：任务超出配置的超时时间 解决：在 config.yaml 的 agents.<agent>.defaults.timeout 中调大超时时间，或在命令行传入 --timeout。

​
缺少截图（LexBench-Browser）

问题：评估因缺少截图而失败 解决：确认 tasks/<task_id>/trajectory/ 下有截图，并查看运行日志定位失败原因。

​
模型 API 报错

问题：LLM API 调用失败 解决：检查 config.yaml 中的 API Key（推荐使用 $ENV_VAR 引用，将实际值写入 .env）；评估阶段同样请确认 .env。

​
下一步

  • 自定义 Benchmark：学习如何创建自定义基准测试（指南）
  • 排行榜：提交结果到排行榜（详情）
  • 高级配置：了解更多 Agent 参数（文档）