agent-eval-harness

从现有证据看，我会把它判断为“值得关注但证据仍很早期”的开源评测项目，而不是已经被广泛验证的行业标准。当前最强证据来自官方 GitHub 仓库描述：它主打在真实 GitHub issue 上，对 AI coding agents 做 live benchmark 和对比。这能支持它的定位与用途判断，但还不足以证明评测设计已经稳定、公平，或结果已被广泛采用。

它的实际作用，更像“面向代码代理的评测 harness / benchmark runner”，而不是能直接帮团队自动修复问题的 coding agent 产品，也不是完整的企业级观测平台。更准确的类比是：它接近 SWE-bench 一类评测思路的开源实验框架，用来组织任务、运行代理、对比结果，并持续展示 live results；适合拿来比较不同代理在真实 issue 上的解题表现。

门槛与成本方面，证据里没有官方定价、API 费用或托管服务信息，因此只能保守判断：作为开源项目，软件本身大概率可自行获取，但实际运行成本仍取决于你接入的模型、算力和评测样本规模；这些都属于保守推断，不能当成稳定成本承诺。它更适合已有 agent 开发、评测或研究需求的团队；如果你只是想立刻提升工程效率、自动修 bug，却不准备维护评测流程，这类工具可能不合适。

社媒与讨论质量方面，目前 evidenceSources 基本只有官方 GitHub 条目，样本非常有限。GitHub star/fork 的存在只能算“热度证明”中的弱信号，说明有人注意到它；但缺少系统实测、教程、长文复盘或第三方 benchmark 分析，因此“好用证明”明显不足。现阶段更像一个值得继续跟踪的新仓库，而不是已形成强社区共识的成熟评测基础设施。