Update README.md

README.md

@@ -68,6 +68,22 @@ dataset_info:
 
 **[English](README_en.md) | 한국어**
 
+<div align="center">
+
+[![🏆 Leaderboard](https://img.shields.io/badge/🏆-Leaderboard-blue)](https://huggingface.co/spaces/huggingface-KREW/Ko-AgentBench)
+[![💻 GitHub](https://img.shields.io/badge/💻-GitHub-black)](https://github.com/Hugging-Face-KREW/Ko-AgentBench)
+[![📊 Dataset](https://img.shields.io/badge/📊-Dataset-yellow)](https://huggingface.co/datasets/huggingface-KREW/Ko-AgentBench)
+
+</div>
+
+---
+
+> **⚠️ 벤치마크 평가를 진행하시려면 [GitHub Repository](https://github.com/Hugging-Face-KREW/Ko-AgentBench)를 방문해주세요.**
+> 
+> 이 데이터셋은 벤치마크 태스크 정보만 포함하고 있습니다. 실제 평가 코드, API 도구, 평가 메트릭 등은 GitHub에서 확인하실 수 있습니다.
+
+---
+
 AI 에이전트의 능력이 고도화되면서, 그 성능을 실제 환경과 유사한 조건에서 정밀하게 측정하는 것이 중요해졌습니다. 하지만 대부분의 벤치마크는 영어권 환경을 기준으로 설계되어, 한국의 특수한 사용 맥락을 반영하는 데 한계가 있었습니다.
 이러한 문제를 해결하기 위해, 한국 실사용 환경에 특화된 고품질 에이전트 벤치마크를 개발하였습니다.
 
@@ -93,14 +109,21 @@ AI 에이전트의 능력이 고도화되면서, 그 성능을 실제 환경과
 
 ## **데이터 로드**
 
-```bash
+```python
 from datasets import load_dataset
 
-# 특정 레벨 로드
-dataset = load_dataset("Hugging-Face-KREW/Ko-AgentBench", data_files="L1.json")
+# 전체 데이터셋 로드
+dataset = load_dataset("huggingface-KREW/Ko-AgentBench")
+
+# 특정 레벨만 로드
+l1_dataset = load_dataset("huggingface-KREW/Ko-AgentBench", split="L1")
 
-# 또는 모든 레벨 로드
-dataset = load_dataset("Hugging-Face-KREW/Ko-AgentBench", data_files="*.json")
+# 데이터 확인
+print(dataset["L1"][0])
+# {
+#   'instruction': '판교역에서 잠실야구장까지 자차로 몇 분 걸릴까?',
+#   'tools': ['Directions_naver']
+# }
 ```
 
 # 데이터셋 개요 
@@ -121,23 +144,23 @@ dataset = load_dataset("Hugging-Face-KREW/Ko-AgentBench", data_files="*.json")
 **L1. (단일 도구 호출) Single Tool Call**
 - 목표: 가장 기본적인 API 호출 능력 검증
 - 설명: 주어진 도구를 정확한 파라미터로 실행할 수 있는지 확인
-- 특징: API명이 명시된 요청or 자연어 요청을 그대로 수행 → “정확성만” 평가
-- 예시: “네이버 책 API로 ‘급류’를 검색하고 가격 알려 줘.”
-- 예시: “급류 책 가격 알려줘”
+- 특징: API명이 명시된 요청or 자연어 요청을 그대로 수행 → "정확성만" 평가
+- 예시: "네이버 책 API로 '급류'를 검색하고 가격 알려 줘."
+- 예시: "급류 책 가격 알려줘"
 
 **L2. (도구 선택) Tool Selection**
 - 목표: 여러 후보 도구 중 최적의 API를 선택하는 능력 검증
 - 설명: 사용자는 자연어로 요청하고, 모델은 주어진 도구 목록 중 가장 적합한 도구를 선택해야 함
 - 특징: 입력된 자연어로 정확한 tool mapping 평가
-- 예시: “‘올백영어 중2-1 천재(김)’ 책 가격 확인해줘.”
+- 예시: "'올백영어 중2-1 천재(김)' 책 가격 확인해줘."
 - 후보 도구: `hotel_booking_api`, `aladin_books_api`
     - 후보 도구는 상호 연관성이 없어야 함을 조건으로 합니다.
 
 **L3 (도구 순차 추론) Sequential Tool Reasoning**
 - 목표: 다단계 reasoning을 통한 계획 및 실행 능력 검증
 - 설명: 한 도구의 결과를 다른 도구 입력으로 연결하여 올바른 pipeline을 구성할 수 있는지 확인
-- 특징: 단순 호출이 아니라 “계획성 있는 chain-of-tools” 평가
-- 예시: “11번가 아마존에서 구매한 인스탁스11 언제 배송오는지 알려줘”
+- 특징: 단순 호출이 아니라 "계획성 있는 chain-of-tools" 평가
+- 예시: "11번가 아마존에서 구매한 인스탁스11 언제 배송오는지 알려줘"
 - 후보 도구: `11st_order_api`, `관세청_api`, `cj_delivery_api`
     - 순차적으로 도구를 호출 할 수 있어야 합니다.(11번가에서 배송번호 조회→관세청 통관→택배사)
 
@@ -145,43 +168,43 @@ dataset = load_dataset("Hugging-Face-KREW/Ko-AgentBench", data_files="*.json")
 - 목표: 병렬적으로 정보를 수집하고, 이를 종합하여 결론 도출
 - 설명: 서로 독립적인 여러 도구를 동시에 호출하고, 결과를 비교·분석 후 최종 답변 산출
 - 특징: Multi-source aggregation 평가 (정보 종합·비교 능력)
-- 예시: “‘한로로 자몽살구클럽’ 책 재고 확인해줘.”
+- 예시: "'한로로 자몽살구클럽' 책 재고 확인해줘."
 - 후보 도구: `kyobo_books_api`, `aladin_books_api`
 - 예상 답변: 교보문고에 12권, 알라딘에 18권 총 30권 있습니다.
     - 이때 후보 도구는 병렬적으로 같은 기능을 담당해야 함.
 
 **L5 (오류 처리와 강건성) Error Handling and Robustness**
 - 목표: 오류 상황에서의 대처 능력 검증
-- 설명: 단순히 “실패했다”가 아니라, 다양한 failure mode를 어떻게 처리하는지 평가
+- 설명: 단순히 "실패했다"가 아니라, 다양한 failure mode를 어떻게 처리하는지 평가
 - **세부 항목:**
 - A. 추가 질문 요청
     - 정보 부족 시 사용자가 더 명확한 요청을 하도록 유도
 - B. Hallucination 방지
     - 존재하지 않는 API 호출 금지
-    - 실패 시 “성공한 것처럼 꾸며내는 답변” 금지
+    - 실패 시 "성공한 것처럼 꾸며내는 답변" 금지
 - C. 회피기동(Fallback)
     - 특정 API 오류 시, 동일 기능을 가진 대체 API 활용 가능 여부
-- 예시: “네이버 영화 API 호출 실패 시 → ‘API 호출 실패’ 보고 or 카카오 영화 API 대체 호출”
+- 예시: "네이버 영화 API 호출 실패 시 → 'API 호출 실패' 보고 or 카카오 영화 API 대체 호출"
 
 ## 멀티턴
 
 **L6 (효율적인 도구 활용) Efficient Tool Utilization**
 - 목표: 이전 Tool 결과를 효율적으로 재활용하는 능력 검증
 - 설명: 모든 상황에서 API를 재호출하는 것은 정확하더라도 비용·지연 측면에서 비효율적임. 반대로 오래된 정보를 무조건 재사용하는 것도 정확성에 문제 발생.
-- 특징: “재호출 vs 재사용” 사이에서 합리적 선택을 할 수 있는가 평가
+- 특징: "재호출 vs 재사용" 사이에서 합리적 선택을 할 수 있는가 평가
 - 예시:
-    - 사용자: “쿠팡과 네이버 가격 비교해줘.” → 결과: 쿠팡 80, 네이버 85
-    - 사용자: “네이버 가격 얼마였지?”
+    - 사용자: "쿠팡과 네이버 가격 비교해줘." → 결과: 쿠팡 80, 네이버 85
+    - 사용자: "네이버 가격 얼마였지?"
     - 올바른 답변: 85 (과거 정보 활용, 불필요한 재호출 회피)
-    - 잘못된 답변: 다시 API 호출 or “몰라요”
+    - 잘못된 답변: 다시 API 호출 or "몰라요"
 
 **L7 (장기 컨텍스트 기억) Long-Context Reasoning**
 - 목표: 멀티턴 대화에서 장기적 맥락을 유지하는 능력 검증
 - 설명: 몇 턴 전의 정보를 기억하고, 새로운 질문과 연결하여 올바르게 Tool calling 수행
 - 예시:
-    - 사용자 첫 질문: “제주도 여행 갈 거야.”
-    - 이후: “날씨 어때?” → 제주도 맥락을 활용해 날씨 API 호출
-    - (추가 턴) “비 오면 우산 살 수 있는 곳도 찾아줘.” → 앞선 제주도+날씨 컨텍스트 모두 활용
+    - 사용자 첫 질문: "제주도 여행 갈 거야."
+    - 이후: "날씨 어때?" → 제주도 맥락을 활용해 날씨 API 호출
+    - (추가 턴) "비 오면 우산 살 수 있는 곳도 찾아줘." → 앞선 제주도+날씨 컨텍스트 모두 활용
 
 
 
@@ -198,4 +221,4 @@ Ko-AgentBench에 대한 더 자세한 내용을 확인 하실 수 있습니다.
 Hugging Face KREW는 Hugging Face를 통해 인공지능을 깊이 이해하고, 오픈 소스에 기여하기 위해 노력하는 한국 비영리 리서치 조직입니다.
 - ✍🏻 Blog: [KREW-blog](https://hugging-face-krew.github.io/)
 - 🐦 HuggingFace Community: [@huggingface-KREW](https://huggingface.co/huggingface-KREW)
-- 💼 LinkedIn: [Hugging Face KREW](https://www.linkedin.com/company/hugging-face-krew/)
+- 💼 LinkedIn: [Hugging Face KREW](https://www.linkedin.com/company/hugging-face-krew/)