背景

语音代理（Voice Agent）在企业服务中的普及，暴露出一个核心问题：失败往往高度依赖特定领域。一个能完美处理航班改签中字母数字确认码的系统，可能在处理HR系统的复杂策略时崩溃。不同领域要求代理适应不同的词汇、工作流程复杂度和用户预期。为此，ServiceNow在2026年6月发布了EVA-Bench Data 2.0，将评估场景从单一企业领域扩展到三个：航空公司客户服务管理（CSM）、企业IT服务管理（ITSM）和医疗HR服务交付（HRSD）。

核心内容分析

数据规模与构成

新版本涵盖121个工具（API）上的213个评估场景，相比原始版本场景覆盖提升约4倍。每个场景均针对三个前沿模型（OpenAI GPT-5.4、Google Gemini 3.1 Pro、Anthropic Claude Opus 4.6）进行了可解性验证，确保基准既具有挑战性又公平。三个数据集均已开源，可通过Hugging Face Datasets加载：

• 航空公司CSM：50个场景
• 企业ITSM：80个场景
• 医疗HRSD：83个场景

设计原则

EVA-Bench遵循五个核心设计原则：

1. 语音优先范围：仅选取在现实中通过电话处理的企工作流程，而非所有企业任务。
2. 跨域多样性：三个领域覆盖35+个不同工作流程，测试代理在不同术语和规则下的适应能力。
3. 可解性验证：所有场景均被至少两个前沿模型成功解决，避免人为构造的“不可能任务”。
4. 现实复杂度：场景包含多轮交互、工具调用和异常处理。
5. 可复现性：开源数据集和生成流程，便于社区复现和扩展。

新领域解读

• 航空公司CSM：涵盖航班查询、改签、取消、特殊服务请求等，考验代理处理动态信息（如实时航班状态）和复杂策略（如不同票价规则下的改签费用计算）。
• 企业ITSM：涉及工单管理、设备配置、密码重置、权限变更等，要求代理理解ITIL流程和术语。
• 医疗HRSD：包含员工福利查询、休假申请、保险验证等，需处理隐私要求和医疗领域专业术语。

行业影响/专业点评

EVA-Bench 2.0填补了企业级语音代理评估的空白。此前多数基准聚焦于通用对话或单一领域，而企业部署需要代理跨域工作。通过提供覆盖三个典型行业的标准化场景，它帮助企业更准确地选择适合自己的语音代理产品。对于开发者，开源数据集和生成流程降低了构建定制评估的门槛。尤其值得关注的是，该基准验证了场景可解性，避免过度乐观或悲观的结果。未来预览的多语言扩展将进一步推动全球企业场景的评估。如果企业计划部署语音代理，建议将EVA-Bench作为评估流程中的关键一环。

---

来源