OpenClaw Smartness Eval

OpenClaw 智能度综合评伌技能。围绕 14 个维度（含规划能力、幻觉控制）输出综合评分、证据、风险与趋势。对齐 CLEAR/T-Eval/Anthropic 行业标准。

用于评估 OpenClaw 是否真的“更聪明”，而不是只看单次回答是否看起来不错。

适用场景

• 版本升级后回归：确认能力是否真的提升
• 每周 / 每月自评：输出结构化能力报告
• 发现退化：查看哪个维度下降最快
• 准备对外展示：生成统一口径的能力评估结果

命令

1) 标准评估

python3 skills/openclaw-smartness-eval/scripts/eval.py --mode standard

2) 快速评估

python3 skills/openclaw-smartness-eval/scripts/eval.py --mode quick

3) 深度评估

python3 skills/openclaw-smartness-eval/scripts/eval.py --mode deep --compare-last

4) 只输出 Markdown

python3 skills/openclaw-smartness-eval/scripts/eval.py --mode standard --format markdown

5) 健康检查

python3 skills/openclaw-smartness-eval/scripts/check.py

输出内容

评估结果将写入：

• state/smartness-eval/runs/<timestamp>.json
• state/smartness-eval/reports/<date>.md
• state/smartness-eval/history.jsonl

输出结果包含：

• overall_score
• grade
• dimension_scores
• expanded_scores
• evidence
• risk_flags
• upgrade_recommendations
• trend_vs_last

6) LLM Judge 主观评分

python3 skills/openclaw-smartness-eval/scripts/eval.py --mode standard --llm-judge

需设置 DEEPSEEK_API_KEY 或 OPENAI_API_KEY 环境变量。 该功能会发起外部 API 请求，默认不开启，仅在显式传入 --llm-judge 时启用。

输出新增字段 (v0.2)

• dimension_spread — 维度间离散度
• trend_vs_last.dimension_deltas — 各维度分数变化
• trend_vs_last.degradation_alert — 退化超过 5 分的维度
• pass_at_k — deep 模式下各测试的 pass@k 可靠性
• llm_judge — LLM 裁判主观评分和评语

数据来源

• state/response-latency-metrics.json
• state/error-tracker.json (时间窗口过滤)
• state/pattern-library.json
• state/cron-governor-report.json
• state/benchmark-results/history.jsonl
• state/v5-orchestrator-log.json
• state/v5-finalize-log.json
• state/message-analyzer-log.json (真实日志抽样)
• state/reflection-reports/ (反思报告)
• state/alerts.jsonl (告警日志)
• state/rule-candidates.json
• .reasoning/reasoning-store.sqlite (推理知识库)
• scripts/regression-metrics-report.py (回归指标)
• 任务集中的 34 项规则测试命令
• 随机探针测试 (反作弊)

模式说明

• quick — 小样本 + 关键日志，~10 个测试
• standard — 默认周度评估，~25 个测试 + 2 个随机探针
• deep — 全部测试 x2 重复运行 + pass@k + 30天窗口 + 趋势对比

安全声明 / Security Declaration

本技能被设计为只读评估工具，以下是完整的行为声明：

文件读取（只读）

本技能只读取以下工作区状态文件，不修改任何现有文件：

文件	用途	写入？
state/response-latency-metrics.json	延迟 P50/P95 计算	❌ 只读
state/error-tracker.json	错误修复率统计	❌ 只读
state/pattern-library.json	模式库健康度	❌ 只读
state/cron-governor-report.json	Cron 任务状态	❌ 只读
state/benchmark-results/history.jsonl	基准测试通过率	❌ 只读
state/v5-orchestrator-log.json	编排器使用量	❌ 只读
state/v5-finalize-log.json	Finalize 审批率	❌ 只读
state/message-analyzer-log.json	真实交互采样	❌ 只读
state/reflection-reports/	自省报告数量	❌ 只读
state/alerts.jsonl	告警频率统计	❌ 只读
.reasoning/reasoning-store.sqlite	推理深度查询	❌ 只读

文件写入（仅限自身输出目录）

本技能仅写入 state/smartness-eval/ 目录下的评估结果：

• state/smartness-eval/runs/<timestamp>.json — 完整评估 JSON
• state/smartness-eval/reports/<date>.md — Markdown 报告
• state/smartness-eval/history.jsonl — 历史评分记录

命令执行

本技能通过 subprocess 运行 task-suite.json 中定义的测试命令：

• 所有命令都经过白名单校验（validate_command() 函数）
• 禁止：内联 Python/Shell 代码、绝对路径、管道操作、危险系统命令
• 只允许：以 python3 scripts/、cat state/、sqlite3 .reasoning/ 等安全前缀开头的命令
• 命令执行超时限制为 30 秒

网络访问

• 默认无网络访问
• 仅在用户显式传入 --llm-judge 参数时，会调用 DeepSeek/OpenAI API（需用户自行配置 API Key）
• 除此之外，本技能完全离线运行

无持久化副作用

• 不修改 OpenClaw 配置
• 不安装任何依赖
• 不修改系统文件
• 不发送遥测数据
• 仅使用 Python 标准库

---

文件结构

openclaw-smartness-eval/
├── SKILL.md
├── _meta.json
├── config/
│   ├── config.json
│   ├── rubrics.json
│   └── task-suite.json
└── scripts/
    ├── eval.py
    └── check.py