WorfBench 是评测安全领域的开源项目，由 zjunlp 开发，2024 年首次发布。
它收录于评测安全分类，该分类目前共有 458 个项目，GitHub 星标数为 157。
项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-14。MIT许可证，完全免费，可自行部署使用。
它主要面向的使用场景是：学术研究：对比不同LLM在工作流生成上的能力。同类可对比的替代方案包括 AgentBench、ToolBench、APIGen。
WorfBench
给AI工作流生成能力打分，让模型编排更靠谱
WorfBench 是一个用于评测和生成智能体工作流（Agentic Workflow）的基准测试框架，由 ICLR 2025 论文提出。它解决的核心问题是：当前大语言模型在生成复杂工作流（如多步骤任务编排、工具调用序列）时缺乏统一、可量化的评测标准。WorfBench 提供了一套标准化的任务集、评测指标和参考实现，能够自动评估模型生成的工作流在正确性、效率、鲁棒性等方面的表现。其核心能力包括：支持多种工作流表示格式、提供细粒度的错误分析、以及可扩展的评测接口。该框架旨在推动智能体工作流生成领域的研究进展，帮助开发者客观比较不同模型或方法的效果。
开源
free
开源模型
GitHub 星标
★ 157
维护状态
低维护
是否开源
是
定价模式
free
项目数据
分类开源模型
开发团队zjunlp
所属国家
定价模式free
价格说明开源项目，MIT许可证，完全免费，可自行部署使用。
访问状态
是否开源是
开源协议MIT
主要语言Python
技术栈/模型agent,agent-planning,agentic,agentic-workflow,agents,artificial-intelligence,benchmark,iclr2025,large-language-models,natural-language-processing,planning,workflow
GitHub 星标★ 157
30天Star增速
HF 下载量
上线时间2024-09-29 00:00:00
最近更新2026-09-14 00:00:00
维护状态低维护
中文支持
访问方式
移动端支持
综合评分
收录时间2026-08-09
浏览次数3
使用教程
核心亮点
- 首个针对智能体工作流生成的系统化基准，填补评测空白
- 提供细粒度错误分析，能定位工作流中具体失败环节
- 基于ICLR 2025论文，学术严谨性有保障
不足之处
- 项目处于早期阶段，文档和社区支持有待完善
- 基准任务集覆盖范围可能有限，需更多领域验证
适用场景
- 学术研究：对比不同LLM在工作流生成上的能力
- 模型选型：评估候选模型在自动化任务编排中的表现
- 产品开发：验证智能体系统的工作流生成质量
替代项目
AgentBench、ToolBench、APIGen
项目介绍
同类项目推荐
akto
开源
给 AI 应用做安全体检，防提示注入和数据泄露
Akto is the fastest growing AI Security platform for your teams to secure AI agents,···
XSafeClaw
开源
给 AI 智能体装上安全盾，自动红队测试找漏洞
Introducing XSafeClaw: The Open-Source Agent Safety Platform from Fudan University
deepteam
开源
自动模拟越狱攻击，提前测出 LLM 安全漏洞
DeepTeam is a framework to red team LLMs and AI agents.
Tracely-ai
开源
把生产事故变成回归测试，合并前自动拦截 AI 故障
Trace-native CI/CD for AI agents — production failures become regression tests that···