在用户发现故障之前，你如何对智能体工作流进行回归测试？

好奇这里的人是如何测试AI智能体工作流（Claude [Code]、Codex、Cursor等）的，这些工作流一旦超越了一个提示。我指的是模型周围的层面：仓库指令、技能、MCP/工具设置、记忆、钩子、防护栏，以及智能体应遵循的预期步骤序列。我不断看到的故障模式是：一个完美的转录让工作流看起来“完成”了，然后后续运行失败，因为技能没有激活，使用了错误的工具，跳过了某个来源，或者最终工件看起来正确但原因错误。你们是在测试最终输出，还是也在测试智能体的轨迹？例如： - 预期的技能/规则是否被激活？ - 智能体是否调用了正确的工具？ - 是否遵循了预期的工作流程？ - 能否与已知良好的基准进行比较？ 声明：我在Runme（开源）工作，在构建评估支持时一直在思考这个问题。我正在探索的模式基本上是为将工作流部署到AI智能体工具框架中的仓库本地回归测试：记录任务，运行智能体，对工件和轨迹进行评分，与基准进行比较。很想听听其他人是如何处理这个问题的。注意，这不适用于通过SDK或LLM模型循环自带智能体的情况。