已上线

Arena.

在智能体接触生产之前证明它能用。

Arena 是检验场。在智能体接触生产、真实客户或真实代码之前，用精选场景套件来跑它。Replay 对照你自己的历史来测试；Arena 对照你尚未遇到的情形来测试。

加入 Arena 等候名单全部工具

1,284 duels

Arena · head-to-headwin rate

Claude62%

GPT-4o38%

Judged on real merged outcomes.

✓ winner: Claude

工作原理

Curate, run, gate.

Curate

Build scenario suites per vertical, or record real incidents.

Run

Score every agent version against the suite.

Gate

Block the deploy until it clears, wired into CI.

衡量项

它衡量什么。

你的场景，你的标准

那些你还没遇到过的情况：敌意工单、损坏的仓库、对抗性提示词。每个场景都用你自己的话写明正确答案必须做到什么，评分就以此为准。

部署门禁

在智能体通过其套件之前拦住发布。像任何其他测试一样接入 CI。

自定义场景

把一次真实事故录制一次，从此永远对照每个未来版本重放。

分数历史

每次运行都有版本。跨版本观察能力上升、回退出现。

适合谁

谁会选择 Arena。

·在发布第一个智能体的团队
·以评测分数把关部署的运营者
·为内部智能体做认证的平台

同一套件

与 Observe 的其余工具搭配使用。

01已上线

Code

衡量 AI 开发工具的每项成果成本。看成果，而非 LOC。

02已上线

Prompt Hub

每个提示词都有版本。每个分数都钉在产出它的那个提示词上。

03已上线

Customer Service

衡量 AI 支持智能体是否真的解决了对话。

04已上线

Sales / SDR

衡量 AI SDR 产生的管道，而非他们发出的邮件。

05计划中

Research

衡量 AI 研究产出的可信度，而非召回率。

任何智能体出岔子的那一刻你就知道。

在切换之前，用真实流量验证这项变更。

你的 AI 在同行中处于什么水平。

想把 Arena 加入你的技术栈?

我们正在招募设计合作伙伴。加入等候名单，进入 Arena 的合作批次。

只需填写邮箱。 Arena 上线时只发一封邮件。别无其他。