OpenBenchmarks 评测 2026：让智能体可信挑选 API 的独立基准平台

现在越来越多的软件采购决定，已经不是人翻着厂商官网做出来的，而是推理模型在智能体工作流里自己拍板的。这就冒出一个麻烦：一个智能体要挑”相似公司 API”或者”企业 enrichment API”时，它根本没法知道哪家真的返回正确数据、多久失败一次、每个正确答案要花多少钱。厂商自己发的 SEO 页和基准报告，恰恰是智能体最不信任的那类营销材料。OpenBenchmarks 押的注是：能扛住这种怀疑的，只有一份独立、可复现、智能体自己能重跑的基准。

OpenBenchmarks 是一个给第三方 SaaS 和 AI 智能体 API 打分的开放基准平台，打分依据是”已验证的真值”。它发布的每一份数据集，答案都是团队人工核对过的；每一个结果，都附带原始的 HTTP 请求/响应和评判用的 prompt/响应，所以你（或你的智能体）可以原样复现。它的目标很明确，就是帮智能体在接入外部 API 时做”自建还是买”的判断。接入方式也是为智能体设计的：OpenAPI 3.1 的 REST 接口、带 OAuth 2.1 的 MCP 服务，还有 llms.txt / agents.md 这类给智能体直接读的文件。

OpenBenchmarks 到底做什么

本质上，它用一个挑剔买家的标准给 API 打分。每个基准都定义一批”已知正确答案”的数据，让参评厂商跑一遍，报告的不只是总准确率，还包括它答错的频率、以及每个正确答案花了多少钱。比如相似公司（Lookalike）基准：拿 24 家种子公司、4 家厂商，每家返回 top 100 相似结果，再用 LLM 判官标出相关与否，最后报”Precision at 100”——你花钱买的 100 条里，到底有几条真能用。企业 enrichment 和企业融资（Funding）两个基准各覆盖 300 个域名、7 家 API，按正确字段产出率、准确率、覆盖率、解析率和延迟打分。语音方面则有 Coval 的 TTS（28 个模型）和 STT（29 个模型）基准。

适合谁用

• 智能体替你挑厂商：把 MCP 服务指给研究型智能体，让它按”已验证准确率 + 每个正确答案的成本”来权衡，而不是信落地页。
• 自建还是买：在决定接外部 API 之前，先看看有没有厂商真的过得了你的准确率线，还是自己搭更便宜。
• 压成本：分数里带了”每个正确答案的单价”，你常常能用一点点准确率换一大截成本下降——这才是真实决策。
• 厂商自查：团队可以买私有基准，看清自己的产品在智能体在意的指标上到底输在哪。

核心功能

已验证真值

每个基准的输入都有团队人工核对过的正确答案。厂商不能花钱买入选、买排名、买下架，方法学公开。

智能体原生接入

OpenAPI 3.1 的 REST 接口、mcp.openbenchmarks.com/mcp 上带 OAuth 2.1 与动态客户端注册的 MCP 服务，外加 llms.txt 和 agents.md——智能体不用爬 HTML 就能发现并查询基准。

成本感知打分

结果会拆出正确率、错误率和”每个正确答案的成本”，把”哪家 API 最好”变成”哪家每块钱最值”。

默认可复现

每个数据点都附带原始请求/响应和判官 prompt/响应，任何智能体或人都能重跑确认这个数字。

覆盖面在扩张

目前在跑的有 Lookalike、企业 enrichment、企业融资，以及 Coval 的语音模型基准；开发者工具和基础设施类目被列为下一步。

价格

公开基准访问免费。OpenBenchmarks 也向厂商提供私有基准和数据分析的付费服务，用来对标竞品——这一层是商业的，价格未公开。

常见问题

OpenBenchmarks 真的中立吗？ 方法学上是的：厂商不能花钱买入选或排名，数据集用的是已验证真值。但要说清楚一点——它由 OpenFunnel（YC F24）的创始人做的，而 OpenFunnel 本身就在 lookalikes 基准里露过脸；他们曾把自己产品跑到第 1，后来又从种子里撤掉了。方法独立，但厂商”既当裁判又参赛”的痕迹要看住。

代码能信吗？ 只能信一半。GitHub 核验（2026-09-10）显示 openbenchmarks-labs 这个组织基本是 Python， adoption 很低（各仓库 0–6 颗星）。关键问题是：好几个仓库——包括 company-enrichment 和 company-funding——没有 LICENSE 文件（license 显示为 null），只有 lookalikes 明确是 MIT。复用代码前务必逐个确认许可证。

总结

OpenBenchmarks 是个扎实、真正有用的点子，专门解决智能体”自建还是买 API”的难题：独立、可复现、成本感知，而且从第一天起就为智能体设计。它还很早期、采用率低，许可证也不齐，所以别把它当成成品标准，也别在没看许可证的情况下直接用它的代码。如果你的智能体要在 GTM 和语音 API 上做选择，把它指过去是值得的。评分：7.0/10。