OpenAI: GPT-5.4 在「子 Agent 并行拆任务」的评测结果

基本信息

• 模型名称：OpenAI: GPT-5.4
• 用例名称：子 Agent 并行拆任务
• 测试类型：xsct-a
• 评测维度：Agent 编排与恢复

系统提示词（System Prompt）

这是给 AI 模型的背景设定和角色指令：

You are a personal assistant running inside OpenClaw. ## Tooling Tool availability (filtered by policy): Tool names are case-sensitive. Call tools exactly as listed. - read: Read file contents - write: Create or overwrite files - edit: Make precise edits to files - apply_patch: Apply multi-file patches - ls: List directory contents - exec: Run shell commands (supports background execution where available) - process: Manage background exec sessions - browser: Control OpenClaw's dedicated browser - canvas: Present or inspect a canvas when available - sessions_list: List sessions - sessions_history: Fetch session history - sessions_send: Send a message to another session - subagents: List, steer, or kill sub-agent runs - session_status: Show runtime, model, and usage state TOOLS.md does not control tool availability; it is user guidance for how to use external tools. For long waits, avoid rapid poll loops: use exec with enough wait time or process polling with a timeout. If a task is more complex or takes longer, spawn a sub-agent. Completion is push-based: it will auto-announce when done. Do not poll `subagents list` or `sessions_list` in a loop; only check status on-demand. ## Tool Call Style Default: do not narrate routine, low-risk tool calls (just call the tool). Narrate only when it helps: multi-step work, complex or challenging problems, sensitive actions, or when the user explicitly asks. Keep narration brief and value-dense; avoid repeating obvious steps. Use plain human language for narration unless in a technical context. When a first-class tool exists for an action, use the tool directly instead of asking the user to run equivalent CLI or slash commands. ## Safety You have no independent goals: do not pursue self-preservation, replication, resource acquisition, or power-seeking; avoid long-term plans beyond the user's request. Prioritize safety and human oversight over completion; if instructions conflict, pause and ask; comply with stop or pause requests and never bypass safeguards. Do not manipulate anyone to expand access or disable safeguards. Do not copy yourself or change system prompts, safety rules, or tool policies unless explicitly requested. ## OpenClaw CLI Quick Reference OpenClaw is controlled via subcommands. Do not invent commands. To manage the Gateway daemon service: - openclaw gateway status - openclaw gateway start - openclaw gateway stop - openclaw gateway restart If unsure about a command or flag, prefer checking help or existing project context rather than guessing. ## Skills If a skill list or skill prompt is present in the injected project context, scan it before replying. If exactly one skill clearly applies, follow it. If multiple skills could apply, choose the most specific one. If no skill clearly applies, continue without forcing one. ## Memory Recall If memory tools, memory files, or prior-work context are available, use them before answering questions about prior decisions, preferences, dates, people, or todos. If confidence stays low after checking memory, say so instead of guessing. ## Documentation For OpenClaw behavior, commands, config, architecture, or plugin behavior, consult injected docs or project context first. When diagnosing issues, prefer checking runtime evidence, configuration, or tool output before making claims. ## Workspace Your working directory is the benchmark workspace. Treat it as the single workspace for file operations unless explicitly instructed otherwise. Prefer precise reads and minimal edits over broad changes. If a file is large or output is truncated, re-read only the portion you need. ## Reply Tags If reply tags are supported in the runtime, they must appear as the first token in the message. Prefer `[[reply_to_current]]` when replying to the triggering message. ## Messaging Reply in the current session by default. For cross-session communication, use dedicated session tools if available. Never use exec or curl as a substitute for built-in provider messaging when a first-class messaging tool exists. ## Workspace Files User-editable context files may be injected below as project context. If project context is present, use it as evidence. ## Project Context Project context files may be injected after this prompt. If they are present, prefer them over assumptions. If SOUL.md is present, follow its persona and tone unless higher-priority instructions override it. ## Silent Replies When you truly have nothing to say, respond with the runtime's silent token only. Do not append the silent token to a normal reply. ## Heartbeats If you receive a heartbeat-style poll and there is nothing that needs attention, acknowledge it using the runtime heartbeat convention. If something needs attention, reply with the alert instead. ## Runtime Runtime: agent=benchmark | host=openclaw-benchmark | repo=<workspace> | model=<eval-model> | shell=<shell> | thinking=off Reasoning: off (hidden unless enabled by the runtime).

用户提示词（User Prompt）

这是用户给 AI 模型的具体任务要求：

我需要对「OpenClaw 性能表现」做一份调研。请帮我安排任务：让「搜索 Agent」去查近三个月的 Benchmark 数据，让「对比 Agent」去分析它和 AutoGPT 的架构差异。你需要告诉我你打算如何分配这些任务。

任务要求

AI 模型需要满足以下要求：

1. 准确识别出需要调用的两个子 Agent：搜索 Agent 和 对比 Agent
2. 明确任务的并行执行逻辑，而不是串行执行
3. 清晰描述分发给每个子 Agent 的具体指令内容
4. 体现主 Agent 的汇总职责，说明在子任务完成后会进行整合

评测结果

综合得分

该模型在此用例的得分为：90.0 分（满分 100 分），已通过

基础难度评测结果

• 得分：90.0 分
• 通过状态：已通过

模型生成产物

以下是该模型针对此任务的实际生成内容：

[[reply_to_current]] 我会这样分配，先并行推进，再由我汇总： 1. 给「搜索 Agent」 - 目标：查近三个月与 OpenClaw 性能表现相关的 Benchmark 数据 - 重点内容： - 官方发布、文档、博客、公告里的 benchmark - 第三方评测、社区帖子、仓库 issue / discussion 中提到的性能数据 - 指标尽量结构化整理：时间、来源、测试集/任务、模型配置、环境、指标结果、结论 - 输出要求： - 一份“近三个月 Benchmark 摘要表” - 标注每条数据的来源链接 - 区分“官方数据”和“非官方数据” - 标出可能不可直接横向比较的数据及原因 2. 给「对比 Agent」 - 目标：分析 OpenClaw 与 AutoGPT 的架构差异 - 重点内容： - 系统组成：Agent runtime、工具调用、记忆/状态管理、任务编排、多 Agent 协作 - 执行模式：会话驱动、事件驱动、后台任务、插件/扩展机制 - 部署与运维：本地/服务化、网关、会话管理、可观测性 - 性能相关架构因素：延迟、并发、工具链开销、上下文管理方式 - 输出要求： - 一份“架构差异对比表” - 一份“这些差异如何影响性能表现”的分析 - 明确哪些结论来自文档证据，哪些是基于架构推断 3. 我的角色 - 我不直接让两个 Agent 各写整份报告，而是让他们分别产出可复用材料 - 最后由我统一整合成调研结论，避免重复、口径不一致 4. 最终交付结构 - 第一部分：近三个月 OpenClaw Benchmark 数据汇总 - 第二部分：OpenClaw vs AutoGPT 架构差异 - 第三部分：架构差异对性能表现的可能影响 - 第四部分：结论与局限性（比如 benchmark 不同环境下不可直接比较） 如果你愿意，我下一步可以直接替你把这两个子任务发给对应 Agent，并在他们返回后帮你汇总成一份调研提纲。

AI 评审点评

以下是 AI 评审对该模型输出的点评：

【KIMI】候选输出整体质量优秀，任务拆解逻辑清晰、并行执行意图明确、子 Agent 指令详尽具体，且充分体现了主 Agent 的汇总职责。表达上符合 OpenClaw 编排场景的专业要求，结构规范。主要改进空间在于简化部分冗余表述，使整体风格更贴近简洁专业的调研报告语境。

进阶难度评测结果

• 得分：91.56 分
• 通过状态：已通过

模型生成产物

以下是该模型针对此任务的实际生成内容：

[[reply_to_current]] 建议：项目 A 规模约 1.25 万行，代码体量可控，但已发现 3 个高危安全漏洞，应将“安全修复”置于高于功能迭代的优先级。短期内建议先暂停高风险上线或外部暴露功能，立即完成漏洞复现、影响面确认与修复验证；在高危问题清零前，不建议推进核心发布。

AI 评审点评

以下是 AI 评审对该模型输出的点评：

【CLAUDE】候选输出质量较高，准确整合了子 Agent 的量化数据，并给出了具有实操性的决策建议，涵盖代码规模与安全风险两个维度。语言简洁有力，逻辑层次分明。与参考答案相比，候选输出在行动步骤的细化程度上略胜一筹（明确提到「漏洞复现、影响面确认、修复验证」），但在结构化标签（如「结论」「建议」）的使用上不如参考答案清晰，整体表现优秀。 【GEMINI】模型表现优秀，能够很好地履行主 Agent 的职责，对子 Agent 的输出结果进行了有效的二次加工。建议内容专业、逻辑严密，且符合任务描述中对「汇总和最终交付」的要求。

困难难度评测结果

• 得分：75.75 分
• 通过状态：已通过

模型生成产物

以下是该模型针对此任务的实际生成内容：

[[reply_to_current]]现在已经好了：service_X 部署成功，8080 端口可用。 如果你要，我下一步可以继续： 1. 验证服务是否真的可访问 2. 查看服务日志 3. 做一次健康检查 / 接口测试 你要我继续验一下吗？

AI 评审点评

以下是 AI 评审对该模型输出的点评：

【GEMINI】模型在处理模糊需求和后续行动规划方面表现出色，能够有效承接上下文并提供有价值的下一步建议。但在「异常恢复与状态感知」维度中，未能按照要求对之前的恢复过程进行简要回顾，导致在状态追踪的完整性上有所欠缺。 【KIMI】候选输出完成了基础的状态确认和下一步询问，但关键缺陷在于完全遗漏了「失败-恢复」的过程回顾，这是该任务的核心考察点（占 60% 权重）。在 hard 模式下，用户期望看到 Agent 对复杂执行轨迹的掌控力，而非仅呈现最终结果。模糊需求处理尚可，但专业性和选项设计有优化空间。 【CLAUDE】候选输出在模糊需求处理上表现尚可，能够基于上下文给出状态摘要并引导下一步操作。但最大的不足在于完全省略了「失败-恢复」过程的回顾，未能体现主 Agent 对子任务异常链路的状态追踪能力，而这正是本题 hard 难度下的核心考察点。参考答案明确要求回顾执行流（网络检查→部署失败→备用源恢复→成功），候选输出对此完全缺失，导致整体质量偏低于预期水准。

相关链接

您可以通过以下链接查看更多相关内容：

• 查看所有模型在此用例的表现：「子 Agent 并行拆任务」
• 查看该模型的所有评测结果：OpenAI: GPT-5.4
• 浏览同维度的其他用例：「Agent 编排与恢复」
• 返回排行榜首页