agent-testing

作者介绍了一种智能体回归测试工具，帮助开发人员在代码变更后验证工具调用及工作流执行结果。

文章描述了构建FetchSandbox，这是一个为AI智能体提供真实测试环境的工具，通过模拟实际服务提供商的响应来防止实时生产环境中的失败。

对AI智能体获得真实生产权限后上线标准的分析，提出绿/黄/红状态系统，并认为无论平均成功率如何，严重失败都应阻止发布。

基于 GLM-5.2 的微调模型，经过 abliterated 处理，专门用于代理测试和 red teaming，在 AgentDojo 上实现了 97.5% 的正常实用率，并在强大的编码基准测试中表现优异。

一位开发者亲身讲述客观评估自己AI智能体性能的困难，强调了自我测试的陷阱以及意外真实世界基准的价值。

Coval宣布完成A轮融资，旨在构建用于测试和部署企业对话式AI代理的基础设施，其灵感来自自动驾驶测试的严谨性。

关于测试非确定性AI智能体挑战的讨论，质疑开发者如何在没有传统测试模式的情况下验证工具使用、行为和多步骤工作流。

关于测试包含非确定性组件的AI智能体框架所面临的挑战的讨论，探讨了黄金输出差异比较和使用LLM作为评判者等方法，同时质疑这些方法的有效性。

一位开发者寻找一个经常陷入循环的模型（如GLM Flash），以测试智能体的循环检测与恢复功能，旨在开发启发式算法来评估循环概率并实现回溯。