ClawProBench：具备运行时覆盖与冻结职场式保留集的AI智能体轨迹感知评测

智能体基准通常只评估最终答案，即使智能体运行在有状态的运行时上。我们认为这使得被评估的对象欠明确：合适的评估单元是一个声明的模型加运行时配置，其失败可能发生在证据获取、运行时路由、安全边界或重复执行等环节。我们提出ClawProBench，一个面向运行时原生的智能体评估的轨迹感知基准，实例化于OpenClaw——一个带工作区工具以及浏览、记忆、消息、日程、技能与子智能体等原生界面的实时智能体运行时。ClawProBench定义两条赛道：一个102场景的全配置（full profile），含实时工作区与原生运行时路由任务；以及一个冻结的68场景保留集（holdout），采用封闭世界JSON输出契约，用于稳健排名。试验从执行轨迹出发，经一个安全门控公式打分，结合正确性、过程质量与效率，保留失败证据以供审计。我们的匿名工件包含基准定义、评分代码、清单与脱敏轨迹。我们在全配置上评估68个配置，在保留集上评估37个。安全门控平均轨迹分最高为0.7671。原生运行时任务表现不及工作区实时任务（0.5238对0.6415）。在保留集上，pass@k-any优于严格三次试验通过（0.6638对0.2890），而全配置与保留集排名的对齐很弱（Spearman 0.1300）。纯粹基于正确性的排名与过程感知、安全门控及严格通过等视角差异显著。仅看最终答案的排行榜可能掩盖原生界面弱点、一次性成功与轨迹局部的智能体失败模式。