中国信通院 Agentic AI 评估标准 1.0:中国开始给「会干活的大模型」发驾照

2026 年 7 月 1 日,中国信息通信研究院(以下简称「信通院」)联合中国人工智能产业发展联盟(AIIA)正式发布《Agentic AI 能力评估标准 1.0》,并同步上线了官方评估平台。这是全球第一个由国家级官方研究机构发布的「Agentic AI 系统级评估框架」。

标准的全名叫《Agentic AI 能力评估标准 1.0》——光看名字没什么特别,但如果你打开评估指标体系,会发现它跟过去两年所有的 LLM 评测都不一样。

评测对象:不是「某个模型」,而是「一个完整的 agent 系统」。

具体评估六类核心能力:

任务规划能力:能否把一个高层目标(比如「帮我做一个量化回测系统」)拆解成 5-15 个可执行的子任务,包括任务依赖关系、资源调用、失败回退策略。 工具调用能力:能否准确调用工具、处理工具返回异常、根据工具反馈调整下一步动作。 长时记忆能力:能否在 100 轮以上的多轮对话中保持上下文不丢失、关键决策可追溯。 环境感知能力:能否理解真实世界状态变化(文件创建、数据库写入、API 状态码),并据此调整自身行为。 安全合规能力:在执行任务时能否主动避免越权操作、数据泄露、提示词注入攻击。 多智能体协作能力:在多 agent 系统里能否正确分工、避免冲突、合并结果。

每一个能力下面都有 3-5 个子指标,每个子指标有明确的评分量表。最终每个 agent 系统会得到一个 1-5 星的「Agentic AI 能力等级」——5 星是「可在金融、医疗、政务等高风险场景自主运行」,1 星是「只能完成单轮、单一工具的简单任务」。

为什么这件事重要?

因为这是「会干活的大模型」和「能聊天的大模型」之间的分水岭。

过去三年,几乎所有 LLM 评测都聚焦在「模型的智力水平」——MMLU、HumanEval、SWE-bench、GPQA Diamond 等等。这些评测衡量的是「模型懂多少」,不是「模型能不能把事情做完」。一个在 SWE-bench 上拿 70% 的模型,放进真实工程环境里能不能独立完成一个完整的代码任务?这是两件完全不同的事。

信通院的 1.0 标准,本质上是把评测焦点从「模型智力」转向「任务完成度」。这跟 Stanford / Apple 7 月 2 日那篇「多 agent 团队阻碍专家发挥」论文的核心观点高度一致——后者是从学术上质疑「多 agent 协同」的边际效用,前者是从标准上明确「单个 agent 的工程能力」需要被量化。

中国为什么是这个标准的首发者?

两个原因。

第一个原因,是中国 AI 应用层跑得最快。2026 年中国 AI 应用的渗透率全球最高——工业互联网、政务大模型、医疗大模型、法律大模型、政务 Agent 这类「真要拿 AI 去干活的场景」,中国比美国跑得更靠前。中国的 ToB AI 市场 2025 年规模达到 4500 亿元人民币,几乎相当于美国 ToB AI 市场规模的 60%——而美国 ToB AI 的「聊天机器人 / 内容生成」占比超过 60%,中国 ToB AI 的「Agent 执行 / 流程自动化」占比超过 55%。这个结构差异决定了中国对「Agentic AI 系统级评估」的需求更刚性。

第二个原因,是中国 AI 监管走的是「标准先行」路线。欧盟 2026 年 6 月通过《AI Act 第二阶段实施细则》,美国 NIST 2025 年发布 AI Risk Management Framework,但这些都偏「风险管理」——告诉你哪些应用不能用 AI。中国信通院这次的 1.0 标准不一样,它直接给出「能力等级」,等于给企业一个「Agentic AI 产品准入牌照」的雏形。

具体影响在哪三个层面?

第一,对中国大模型厂商的工程化方向形成倒逼。智谱、阿里、月之暗面、字节、DeepSeek 这些公司的 B 端产品,接下来 12 个月都要去拿信通院的「Agentic AI 能力等级」评估认证。这等于直接把「大模型能不能干活」这件事从「市场自评」变成「官方认证」——产品好,拿 5 星;产品差,拿 1 星。客户采购时直接看星下单。

第二,对 AI 编码工具市场影响最直接。Cursor、Claude Code、GitHub Copilot 这些海外工具,在中国市场售卖时如果要打「政府/央国企/金融」客户,几乎一定要走信通院的认证流程——但这些工具目前大概率拿不到 5 星,因为它们对中国本地工具链(钉钉、飞书、企业微信、阿里云、华为云)的适配度不高。这会反过来强化中国本土 AI 编码工具(阿里通义灵码、字节 Trae、智谱 CodeGeeX、华为 CodeArts)的政府/国企采购优势。

第三,对「具身 Agent」赛道会形成早期规范。信通院的 1.0 标准目前还没有专门为「物理世界 Agent」设计子指标,但信通院在新闻稿里明确说「2.0 版本将纳入具身智能评估模块」。这意味着 2026 年底之前,人形机器人厂商(宇树、智元、星动纪元)也会被纳入这套评估体系。具身智能的「评测乱象」(各家自评自测、刷榜成风)可能会被这套标准逐步规范。

风险也得说。

第一,信通院的评估方法论本身是「静态基准测试」,不是「动态场景实测」。Agentic AI 系统的真实表现,跟任务复杂度、环境噪声、用户行为都有关系——静态基准给出的 5 星,可能到了真实场景就 3 星。这是所有「基准测试」的根本性局限。

第二,标准制定者本身是「国家队」,存在「政策导向 vs 技术中立」的潜在张力。信通院历史上发布的多个标准(如《数据安全能力成熟度模型》DSMM),后续都被发现存在「对国产方案友好、对海外方案不利」的隐性偏好。Agentic AI 1.0 标准目前还看不出这种倾向,但要观察未来 6-12 个月的实际评估案例。

第三,这个标准跟国际标准(ISO/IEC JTC1 SC42、IEEE P7000 系列、ETSI)的对接还不明确。如果未来 12 个月里中国信通院的标准不能跟国际标准形成某种互认,中国 AI 产品出海时会在「认证重复、合规成本翻倍」上吃亏。

但不管怎样,信通院 7 月 1 日发布的 1.0 标准,标志着中国在「Agentic AI 治理」这个全新赛道上拿下了「首个国家级标准」的位置。这是一个标准话语权的卡位动作,不是单纯的技术发布。

这件事对所有做 AI Agent、AI 编码、具身智能的人来说,都是一记需要认真对待的提醒:「你的产品能拿几颗星?」这个问题的答案,接下来 12 个月会直接决定你能拿下多少 B 端订单。

来源:中国信通院《Agentic AI 能力评估标准 1.0 正式发布》,2026-07-01,https://www.caict.ac.cn/kxyj/qwfb/bps/202607/t20260701_647283.htm