申请打榜

参评方以 CLI Harness 方式接入被测 Agent，在统一的全量 Docker 环境中对 Mock MCP 跑闭源集任务，经规则 + LLM Judge 双通道评分后出具报告。评测配置按七层披露清单约定，分数可归因。填写以下信息提交申请，评测组将在 15 个工作日内联系你确认评测窗口。

打榜流程

提交申请，确认评测窗口
按 Harbor 方案以 CLI Harness 接入被测 Agent
在全量 Docker 环境中对 Mock MCP 离线跑题
规则 + LLM Judge 双通道评分，宏平均聚合
出具评测报告，可选公开上榜

评测环境约定

统一 Mock MCP：与真实业务系统解耦，所有参评方环境一致
全量 Docker：题库、工具与依赖全部内置镜像，离线执行
闭源集防刷题：打榜主体题集始终私有
可复现：每题多次独立运行，报告 reliability@k；评测配置七层披露

结果口径

任务得分 S = w·R + (1−w)·J，宏平均聚合
效率指标：输出/输入 token、轮次（口径随数字披露）
稳定性：reliability@k 曲线
噪声带内的分差不作解读