当前ESG分析面临数据碎片化、跨文档跨标准流程、真实合规要求三大痛点。传统LLM难以胜任高风险强约束场景。南洋理工大学与阿里巴巴联合提出的ESGBenchmark与ESGAgent，首次基于真实企业披露材料系统评测智能体在ESG任务中的综合能力，填补了高复杂度ESG Agent评测空白。
智能速览
基于真实上市公司ESG报告构建基准测试
设计三层难度体系精准拉开模型差距
多维度评估指标关注专业可信度
采用分层多智能体架构ESGAgent
在246个任务上显著领先主流模型
精华内容
面对ESG审计的复杂性与合规性挑战，这一突破性基准测试为智能体能力评估提供了全新视角，推动行业向更专业、更可信的方向发展。
真实企业级任务
基准测试直接来源于Intel、Apple、Boeing等真实上市公司的ESG报告、财务披露与监管标准。涵盖碳核算、能源审计、生物多样性、合规对齐等高风险场景，确保评测任务的真实性与实用性。这种基于真实企业数据的评测方式，能够更准确地反映智能体在实际ESG审计场景中的表现。
三层难度体系
构建了Level 1-3分级任务体系，其中Level 1为基础任务，Level 2为中等复杂度任务，Level 3要求跨年度、跨机构、跨标准综合审计。这种分级设计能够精准识别不同模型的能力差异，特别是Level 3覆盖了现有ESG/Agent Benchmarks尚未触及的’深水区’领域。
多维度评测指标
不仅评估答案正确性，还系统量化分析丰富度、完整性、深度、专业性与表达质量。这种多维度的评测方法直击’能不能写给董事会/监管机构看’的关键问题，确保生成内容的专业可信度。评测指标设计充分考虑了ESG报告的实际应用场景和受众需求。
分层智能体架构
ESGAgent采用中央规划器 + 专业子Agent的架构，包含研究、分析、工具、报告四个专业模块。结合LightRAG与知识图谱技术，专为长文档、标准密集型任务设计。这种分层架构能够有效处理ESG审计中的复杂信息整合与合规要求。
显著性能优势
在246个真实任务测试中，ESGAgent在Level 1/2任务准确率最高达84.15%。在Level 3综合评分上显著优于GPT-5.2、Gemini-3-Flash、DeepSeek-R1等主流模型。这些数据充分证明了该架构在处理复杂ESG审计任务时的优势。
这项研究为ESG智能体评测建立了新标准，推动了行业向更专业、更可信的方向发展。未来随着更多企业加入ESG披露行列，此类基准测试将为AI在可持续发展领域的应用提供重要参考。如何在保证专业性的同时提升效率，仍是值得探索的方向。
