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
- 装好 websitebench 和 harbor,按 Quickstart 拿到任务数据。
- 选任务:每个任务对应一个可探索的网站。
- 让你的 Agent 用浏览器探索该站点,然后产出实现。
- 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。
- 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