评测一个智能体，只给一个「成没成」的终点分，越来越像用及格线衡量一名员工——能过关，却看不出到底哪项能力强、哪项拉胯。10 月 3 日挂上 arXiv 的 Agentic Cognitive Depth（编号 2610.04168）想换把尺：它把 agent 的「认知深度」定义成一条轨迹级的画像，由五个可操作指标组成，让能力短板一眼可见。
五项指标，而不是一个总分
论文把智能体拆成「规划、记忆、工具、控制流」在环路里跑的系统，再给出五个 operational criteria：C 上下文敏感、T 时间连续、M 多模态协同、A 自适应交互、Mc 元认知监控。前四项分别测控制流、记忆、工具、规划在整条轨迹上用得怎么样；第五项 Mc 测系统是否监测并调节自己的全程运行。每一项都配了可操作的代理指标和一套扰动方法，还能反推到 agent 的世界模型上。换句话说，它不告诉你「这个 agent 得了 85 分」，而告诉你「它在多模态协同上偏弱、在元认知监控上几乎空白」。比起一个含糊的「更聪明」，这种可逐项打分的方式，更方便团队在迭代时盯住最该补的那块能力，而不是被总分糊弄。
接到现有基准上
这套画像最实用的地方，是能「贴」到已有基准上。论文展示了如何给 GAIA、SWE-bench、WebArena、TRIP-Bench 这些任务加上逐标准的诊断，让同一个 benchmark 同时产出「做对了没」和「卡在哪一个能力维度」。对研发团队，这意味着排错方式变了：不必再对着一个低分猜原因，而是顺着 C/T/M/A/Mc 去定位——是规划没拆好，还是工具调用时机不对，还是跑着跑着忘了更早的上下文。这种从「终点体检」到「分项造影」的迁移，正是 agent 工程走向成熟的标志。
它和同类评测范式怎么分
评测范式近几个月也在密集出新，Agentic Cognitive Depth 的特别之处在于「轨迹级、多维、可扰动」。它和过程级评测（看轨迹偏差、依赖归因）、基准效度研究（检验基准本身靠不靠谱）、以及过程审计类基准（如 Argo-Bench 考多步推理会不会走形）是不同层次的工作：那些更关心「评得准不准、过程对不对」，这篇关心「从哪些能力维度给 agent 画一张像」。和安全向的 EvoRiskBench 也不同——一个看能力结构，一个看失守路径。对想做 agent 内部可观测性的团队，这篇提供的不是又一个排行榜，而是一套可以把现有评测「升级成诊断仪」的方法论。目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。
当然，五维画像也不是银弹。指标怎么取代理、扰动怎么设计、不同任务下权重怎么定，论文给的是框架而非定论；把 Mc 这类「元认知」量化，本身也还在早期。但它把一个长期被混在一起的问题拆开了：我们说的「agent 聪明」，到底是规划强、记忆稳、工具准，还是只是碰巧在某一类任务上训练够了。能把这层迷雾拨开，评测才真正开始服务于改进，而不是只服务于宣传。对采购方而言，以后看一份 agent 评测，不妨多问一句：它的能力是总分高，还是每一项都经得起分项拆解。一项能力短板被总分掩盖的 agent，在真实任务里往往栽在最弱那一项上——比如规划满分、元认知近乎空白，上线后就会在长任务中途莫名跑偏。分项画像的价值，正在于把这种「偏科」提前暴露出来，让改进有处下手。