从零构建智能体评测排行榜：Wolfram Ravenwolf 的实战方法

Wolfram Ravenwolf 在实操工作坊中演示如何以 Terminal Bench 和 Harbor 为基础搭建智能体评测流程，组合隔离沙箱、智能体运行框架、固定版本基准、推理服务及资源限制。其 WolfBench 工具汇总重复运行结果，他认为重复运行的稳定性、完整配置、成本和执行轨迹比排行榜上的单一平均分更重要。