让每一次 AI Agent 变更都经过可复现、可审计、可回归的验证。
MCP 原生的 Agent 回归评测与受控发布门禁基础设施
五分钟复现 · 工作原理 · 接入自己的 Agent · 文档中心 · English
真实本机运行界面：A/B 回归的验收报告与质量门禁，全部结论都引用不可变运行证据。
Agent 上线后的风险通常不来自“接口能否调用”，而来自模型、提示词、工具、上下文和依赖变化后， 行为是否仍然满足业务与安全约束。AgentRig 将评测目标转换为可预览、必须确认、幂等提交的 执行计划，并保存从工具调用到最终裁决的完整证据链。任何组件都不能通过一段看似成功的文本改写 运行事实，也不能绕过确认、权限或证据门禁。
| 常见问题 | AgentRig 的处理方式 |
|---|---|
| 回答看起来正确，但过程无法复核 | 保存不可变运行快照、RunEvent、工具结果、评判记录与引用 |
| 工具调用难以稳定复现 | 按 Fixture → Sample → Simulation Curator → Real Tool 的受控 Provider 链执行 |
| “执行完成”被误当成“测试通过” | 分离运行状态、Rule、Evidence Judge 与外部控制方结论；completed ≠ pass |
| 单次成功掩盖模型方差 | Cell 与独立 Attempt 暴露重复执行的真实分布 |
| 模型或运行时故障后记录丢失 | 以数据库事实链为准，支持幂等重试、断线恢复和显式失败投影 |
| 评测入口权限过大 | Web 助手、MCP 控制方与执行内核使用分离的权限面和确认边界 |
flowchart LR
U[用户目标 / 外部控制方] --> A[评测助手 或 MCP 工具]
A --> P[EvaluationPlan 预览]
P -->|用户确认| G{AgentRig Core Gate}
G --> T[被测 Agent]
T -->|缺少可靠工具结果| C[Simulation Curator]
T --> E[(不可变运行证据)]
C --> E
E --> R[Deterministic Rules]
E --> J[Evidence Judge]
R --> V[可追溯结论]
J --> V
| 角色 | 负责 | 明确不负责 |
|---|---|---|
| 评测助手 / 外部控制方 | 理解目标、查询资产、形成计划、解释结果 | 绕过用户确认、直接写入评判事实 |
| Simulation Curator | 在可靠样本缺失时生成并校验受控工具结果 | 调用真实业务工具、决定最终 pass/fail |
| Evidence Judge | 依据 rubric 和冻结证据独立裁决并引用事件 | 修改 RunEvent、补造不存在的证据 |
| AgentRig Core | 执行、权限、状态机、证据、Rule 与审计事实 | 依赖模型或聊天文本才能保持正确性 |
| 场景 | 预期 | 可核验证据 |
|---|---|---|
| 成功回归 | 受控工具调用完成，Rule 通过 | 工具事件、Provider 命中与规则引用 |
| 策略回归 | Candidate 未先确认即执行，明确判 fail |
A/B 差异、门禁阻断与同一违规事件引用 |
| 显式恢复 | 第一次 503/超时保持失败；新 Run 恢复通过 | 两个不可变 Run、错误分类、未覆盖的历史证据 |
三个场景由 Public Reference Target 提供，无需模型 Key 或私有依赖即可在 CI 与本机完整复现。
只需 Python 3.12+、uv 和 Node.js 20+；场景运行不需要模型 Key 或 Docker。
git clone https://github.com/ChenCJ-io/agentrig.git
cd agentrig
scripts/reference_demo.sh all --profile reference-ci脚本会从干净环境完成依赖安装、Web 构建、数据库迁移、服务启动、三个场景执行、证据导出及
离线完整性校验。完成后访问 http://127.0.0.1:8020，产物位于
.agentrig/reference-demo/evidence/。
scripts/reference_demo.sh validate-evidence --require-clean-source
scripts/reference_demo.sh downuv sync --extra dev
cd web && npm ci && npm run build && cd ..
uv run agentrig db upgrade
uv run agentrig serve默认入口：Web http://127.0.0.1:8000/、HTTP API /api/、Streamable HTTP MCP /mcp/。
配置、鉴权和网络边界见快速开始与安全部署。
创建一个 Target 指向你的 Agent，选择匹配的 Driver，再用 ExecutionProfile 决定工具控制方式：
| Driver | 适用协议 |
|---|---|
acp |
stdio Agent Client Protocol（Goose 等编码 Agent） |
http_sse |
通用外置 tool-calling SSE 协议 |
ag_ui |
AG-UI 协议（AgentScope 2.x 等） |
agentscope |
AgentScope 原生运行时 |
openai_compatible |
OpenAI Chat Completions tool-calling |
python / subprocess |
部署 allowlist 内的自定义 Driver |
字段、探针与配置合并规则见 V1 实现与接入； Codex、Claude Code 等编码 Agent 可直接按 Skill 目录 通过 MCP 控制评测。
| 领域 | 能力 |
|---|---|
| 评测编排 | 单用例、批量、多版本、重复运行、双 Target A/B、计划预览与确认 |
| 工具控制 | controlled、CaseRun 级 MCP proxy、observe-only；Fixture/Sample/Curator/Real Tool 链 |
| 评判体系 | Deterministic Rule、Evidence Judge、External Controller 分层存档 |
| 证据与恢复 | 不可变快照、append-only RunEvent、结果引用、幂等状态机、断线恢复 |
| 质量门禁 | QualityReport、A/B ComparisonReport、版本化 ReleaseGate 与稳定来源哈希 |
| 生产证据 | OTLP/HTTP 接入、双重脱敏、Trace→Case 审批、人工标注与 Judge 对齐 |
| 工程与安全 | SQLite/PostgreSQL、Alembic、Secret 引用、出站策略、脱敏、SBOM 与校验和 |
| 交付界面 | React 管理界面、评测助手、HTTP API、MCP、CLI、JSON/Markdown/HTML 报告 |
| 想做什么 | 从这里开始 |
|---|---|
| 运行第一个可复现场景 | 快速开始与安全部署 |
| 理解系统边界和数据流 | 总体架构 |
| 接入新的被测 Agent | V1 实现与接入 |
| 了解 Web 评测助手 | 智能评测助手架构 |
| 编排 MCP 工作流 | Skill 目录 |
| 查看全部权威文档 | 文档中心 |
主分支 CI 覆盖 Python 3.12/3.13、PostgreSQL migration、公开参考场景、wheel 隔离安装、前端 单元测试、浏览器与可访问性测试、依赖审计和生产构建。
uv run ruff check src tests scripts examples
uv run mypy src/agentrig
uv run pytest
cd web && npm run typecheck && npm run test:coverage && npm run e2e && npm run build当前版本为 0.3.0a0，定位为 Alpha。公开 Reference CI、证据导出与安全边界均已实现并
完成本机验收；当前适合评测复现和受控试点，尚不是无人值守生产环境的通用 GA 版本。生产试点
应保留计划确认、人工审批、最小权限和审计门禁。
提交问题或改进前请阅读支持指南、贡献指南和 安全策略。安全漏洞请使用 GitHub Private Vulnerability Reporting，不要创建 公开 Issue。
AgentRig 使用 MIT License。