我的CLI现在可以控制整个桌面，有什么好的测试可以验证它是否真正有效？

因此，我的CLI能够完成所有操作，它通过鼠标控制、键盘和截图的混合方法来控制每个应用。我给了它一个任务：打开Perplexity，发送任意消息，截取该消息的截图，打开我的Gmail，然后将该截图通过电子邮件发送给自己。注意：未使用Playwright。但它可以识别何时使用Playwright。我的意思是，如果网站对验证码敏感，它就不会使用Playwright，而是以看似人类的方式移动鼠标。接下来的任务我本以为更难：我让它通过Chrome远程桌面连接到我的另一台Windows电脑并执行相同的任务，结果成功了。我只想知道：有什么测试能让我真正严格地测试它并确认它工作良好？另外，令人惊讶的是，Opus 4.7在截图分析方面不如GPT-5.5——Opus总是点击错误的按钮。现在它的目的是检查前端并通过点击前端来运行测试，确保其万无一失。那么，有哪些测试可以真的让它难以完成这个任务呢？