OpenClaw 的评估引擎是个谎言

不是没有，是根本不算。

上一篇说「评估引擎是 OpenClaw 相对薄弱的一块」。这句话比较委婉含蓄。准确的说法是：OpenClaw 现在根本没有独立的评估引擎。有的只是主 Agent 的自我感觉良好。

在多 Agent 系统里，这不是小问题。这是结构性缺陷。

OpenClaw 的真实评估链路是什么样的

子 Agent 跑完任务，把结果写进自己的 sessions。主 Agent 读结果。主 Agent 判断对不对。主 Agent 决定接受还是打回去。

全程一个裁判：主 Agent。

但主 Agent 也是任务的设计者、分解者、调度者。它对这个任务有预设，有偏好，有盲区。让它同时做裁判，就像让论文作者自己改自己的稿——不是不能发现错误，但系统性的认知偏差不会被发现。

更糟的是：sessions 是隔离的。主 Agent 看不到子 Agent 的推理过程，只能看到最终输出。子 Agent 在中间步骤犯了什么错、绕了什么弯路、在哪里猜了个答案继续跑——主 Agent 一概不知。它评估的，是一个被截断的事实。

你以为在验收交付物，其实在看快照。

为什么偏偏是多 Agent 场景最危险

单 Agent 的评估问题可以靠人工 review 兜底。任务链短，上下文完整，出了事可以复盘。

多 Agent 一展开，这条路就堵死了：

任务被拆成几个并行分支，每个分支有独立的 session，错误可能在任何一个节点静默发生，到主 Agent 汇总时，已经是几个有问题的结果被合成了一个「看起来完整」的交付物。

你永远不会知道哪个子 Agent 在不确定的时候赌了一把。

这才是多 Agent 评估的核心难题：错误的传播速度比人的检查速度快得多。

具体烂在哪里——三个真实场景

场景一：静默降级

子 Agent 被要求提取 50 份合同里的付款条款。其中 8 份格式异常，解析失败。子 Agent 没有报错，跳过了，继续处理剩下的 42 份。输出了一份看起来完整的表格。

主 Agent 收到表格，条目整齐，验收通过。

你发现问题的时候，是客户来问为什么少了 8 份合同的付款信息。

场景二：路径合理化

主 Agent 把一个调研任务拆给子 Agent，要求输出结论和信源。子 Agent 搜索失败，找不到有力的信源，但它判断「任务要求我输出结论」——于是输出了一个模糊的结论，配上了一个相关性很低的信源。

主 Agent 看到结论有了、信源有了，评估通过。

场景三：同源错误

主 Agent 和子 Agent 用同一个模型。这个模型对某类日期格式的理解有偏差，会把 2026/03 读成 3 月而不是 2026 年第 3 周。

子 Agent 犯了这个错误，主 Agent 审查时用同样的认知处理结果——没有发现异常，评估通过。

三个场景，三种不同的失败模式，一个共同的原因：没有独立的评估视角。

补法：不是加一个 Prompt，是换一种架构

市面上的建议大多停留在「让主 Agent 输出结构化评估报告」。这有用，但治标不治本。裁判换了格式，不代表换了视角。

真正有效的补法分两层。

第一层：接入外部评估工具

这是最容易被忽视的一步——不要试图让 Claude 自己评估 Claude。用专门的评估框架来做这件事。

DeepEval 是目前最成熟的开源 LLM 评估框架。它的核心设计就是把评估从 Agent 主流程里剥离出来，用独立的 metric 对输出打分。

第二层：在 OpenClaw 架构里插入评估节点工具接进来之后，还需要在 OpenClaw 的流程里找到正确的插入点。

正确的位置是：子 Agent 输出之后、主 Agent 读取之前。

主 Agent 的 SOUL.md 里加一条约束：如果 eval-report.md 里有 fail 项，禁止直接接受输出，必须打回或上报。

这样主 Agent 还是做最终决策，但它的判断基础变了——它不再是唯一的信息来源，它在参考一份独立视角的审查报告。

现在还缺什么

接入了外部评估工具，插入了评估节点，Harness 的评估层才算真正存在。

但还有一个问题没解决：评估标准谁来定，怎么随任务演化？

现在的做法是把 schema 硬编码在评估脚本里。任务变了，评估标准没跟上，评估就开始失效。

更成熟的做法是让评估标准本身成为 Agent 配置的一部分——在openclaw.json 里给每个子 Agent 定义对应的评估 schema，让评估节点动态读取。

这不是小改动，需要 OpenClaw 在架构层面支持。目前还做不到。这是框架本身需要迭代的地方，不是靠 Prompt 能绕过去的。

承认这个限制，比假装它不存在重要得多。

你现在能做的：把 DeepEval 或 PromptFoo 接进来，在 sessions 目录里加一个评估节点，让主 Agent 强制读评估报告再做判断。

这不是最优解，但比现在强一个数量级。

DeepEval：https://github.com/confident-ai/deepeval

PromptFoo：https://github.com/promptfoo/promptfoo

下一篇教程

多 Agent 并行跑，评估结果互相矛盾——A 说对，B 说错，主 Agent 怎么办？冲突消解机制，以及什么时候该把决定权还给人。