WebsiteBench(网站重建基准)

作者 提示词工坊

Agent 到底能不能把看到的网站照着做出来?这个基准给 Agent 一个可浏览的线上站点,要求它逆向出一个外观和行为都对得上的全栈版本,70 个网站、46,916 条隐藏测试用例,公开在 Harbor Hub 和 Hugging Face。

Github
项目 知识学习 v1.0.0 热度 270

项目说明

WebsiteBench 是什么

WebsiteBench 是一个评测基准,考的是:给 Agent 一个可浏览的生产级网站,让它通过浏览器探索,逆向出一份外观和行为都尽量一致的全栈实现。

它由 TIGER-AI-Lab 维护,规模写得很具体:70 个网站、46,916 条隐藏测试用例,任务清单和数据都在 Harbor Hub 与 Hugging Face 上公开。

项内容
任务对象可通过浏览器探索的生产级网站
要求产出外观与行为匹配的全栈实现
规模70 个网站
测试46,916 条隐藏测试用例
获取Harbor Hub、Hugging Face、PyPI

WebsiteBench 怎么安装

pip install websitebench

跑基准还需要它的运行环境:

uv tool install harbor==0.25.0

数据在 Harbor Hub 和 Hugging Face 上,按仓库 Quickstart 拉取。

WebsiteBench 怎么使用

  1. 装好 websitebench 和 harbor,按 Quickstart 拿到任务数据。
  2. 选任务:每个任务对应一个可探索的网站。
  3. 让你的 Agent 用浏览器探索该站点,然后产出实现。
  4. 按它的打分方式评测——隐藏测试用例会校验行为是否对得上,不只是看截图像不像。
  5. 想在云端跑,用仓库给的 cloud 运行方式,避免本地起一堆环境。

WebsiteBench 适合谁用

  • 做前端 Agent、需要客观基准衡量「能不能照着网站做出来」的团队。
  • 研究 Agent 浏览器探索能力的实验室。
  • 要选型「哪个编码 Agent 更擅长还原界面」的技术负责人。
  • 想复现论文或对比自己方案的开发者。
  • 只想快速做一个落地页的人,这个基准帮不上忙。

WebsiteBench 项目地址

  • GitHub 仓库:https://github.com/TIGER-AI-Lab/WebsiteBench
  • 任务清单:https://github.com/TIGER-AI-Lab/WebsiteBench#tasks
  • Hugging Face:https://huggingface.co/datasets/TIGER-Lab/WebsiteBench