WebsiteBench - 让 AI 智能体通过浏览器探索重建网站的全栈基准

WebsiteBench 是一个面向 AI 智能体的网站重建评测基准，由 TIGER-AI-Lab 维护。据项目说明，它的设定是：给定一个生产级网站，智能体可以通过浏览器自由探索，然后逆向工程出一个全栈版本，使其外观与行为尽可能贴近原站。换句话说，它考察的不是单点代码生成，而是「观察—理解—复现」的完整链路，适合研究浏览器智能体、全栈代码生成与前端还原能力的研究者与工程团队。

维护者与状态

项目由 TIGER-AI-Lab 维护，仓库创建于 2026-11-04，最后提交时间为 2026-11-10，属于非常新的项目。截至 2026-11-11，仓库获得 197 个星标。事实表显示该项目尚无正式 release，因此目前没有版本化的发布包可引用，使用方式以仓库与官方文档为准。

主要能力

以下内容均来自项目自述（README），未经独立验证：

• 规模化任务集：据项目说明，基准包含 70 个网站任务与 46,916 条隐藏测试用例，任务托管在 Harbor Hub 与 Hugging Face 上，并提供任务列表供查阅。
• 按难度下载任务：项目提供 PyPI 包，可通过命令行下载指定难度的任务，例如 medium 难度。
• 基于 Harbor 的运行流程：README 中给出的运行方式依赖 Docker 与 Harbor（示例固定为 harbor==0.25.0），支持在全部 70 个任务上批量运行某个智能体，也支持只跑单个任务。
• 参考解校验：每个任务配有参考解（oracle），可用它单独运行以检查任务本身是否正常。
• 结果落盘：每次试验的奖励值写入作业目录下的 verifier/reward.txt，便于批量收集与统计。
• 评分机制：据项目说明，每个任务包含 302 到 2,016 条隐藏测试用例；一条用例通过的条件是功能检查全部通过，且每个视觉检查点的归一化 SSIM 达到 0.99。任务奖励即通过用例的占比。

使用入口

仓库地址：TIGER-AI-Lab/WebsiteBench；项目官网与文档入口：website-bench.com。

据 README，最简上手路径是先安装 PyPI 包并下载任务：

pip install websitebench
websitebench download --task medium

随后安装 Docker 与 Harbor，并配置模型 API 密钥后运行基准。README 给出的批量运行示例使用 codex 智能体，并通过 --allow-environment-host 放行若干构建期需要访问的域名（如 snapshot.debian.org、raw.githubusercontent.com、github.com、nodejs.org、registry.npmjs.org），并发数示例设为 1。若只想跑单个任务，把 --dataset 参数替换为对应的 --task 参数即可；用参考解检查任务时，将智能体指定为 oracle。README 提到文档中还覆盖了其他智能体、下载方式与云主机运行方式。

许可与限制

许可证为 Apache-2.0。据 README 说明，基准代码、任务定义与验证器均以 Apache-2.0 发布；但参考网站是对第三方站点的复现，其内容归原所有者，仅限非商业研究用途。任务定义带有 harbor-canary GUID，项目请求将包含该标识的文档排除在训练数据之外。

使用边界方面，运行依赖 Docker 与 Harbor 环境，并需要可用的模型 API 密钥；评分同时约束功能正确性与视觉相似度（SSIM 阈值 0.99），意味着仅功能可用但外观偏差较大的重建无法通过用例。项目尚无正式 release，接口与命令可能随仓库提交变化，实际使用应以仓库当前说明为准。