testing

Dinamos 是一个免费的开源平台，无需在 AWS 上花费即可通过混沌工程测试系统架构。

Dan Luu 反思了他使用 AI 编程代理的经验，指出虽然 AI 可能会编造看似可信但实际错误的复现步骤，但在调试和测试等领域仍能带来生产力提升。他讨论了现代软件开发中信任、自动化和质量之间的平衡。

Cultivar是一款新工具，旨在测试和评估AI Agent的技能，为Agent性能基准测试提供框架。

PyTorch解释了其测试如何在导入时动态生成，从而影响CI失败名称，并提供了博客帮助贡献者理解测试工作流程。

@svpino的一条推文展示了如何使用Claude Code创建自主循环，实现斐波那契函数并自动运行测试，重点介绍了-p、--allowedTools和--max-turns等关键标志。

关于定义和测试使用工具的AI代理边界的讨论，以防止它们即使在没有明显越狱的情况下跨越安全或伦理界限。

Replay QA 是一款工具，通过捕获和回放会话，帮助开发人员在用户发现之前找到 bug。

作者强调让AI Agent写好代码的关键在于遵循1990年代教材中的经典软件工程实践：写测试、做好CI/CD、进行自顶向下设计和模块化解耦等。

html.contact 是一个表单后端服务，允许你在付费前进行测试。

本文提出了一种模块化的LLM流水线，利用历史故障记录（例如NHTSA碰撞数据）生成多样化的自动驾驶系统测试场景，从而在有限的测试预算内实现有效的故障发现。

构建了一个MCP，使Claude能够在约25,000家商店购物；正在寻找测试者并诚求反馈。

一位开发者认为，AI模型周围的框架（评审、脚手架）比模型本身更重要，并分享了一个例子：一个27B模型在优秀评审的帮助下变得可用于编码工作。

Harbor Framework 现在集成了 LangChain 的 Deep Agents、LangSmith Sandboxes 和 Observability，能够在隔离、可复现的环境中运行智能体，进行确定性测试。

Meta 通过 Covalen 雇佣承包商，伪装成青少年，向包括 ChatGPT、Gemini 和 Character.AI 在内的竞争对手聊天机器人发送高风险提示（自杀、性、毒品），这是名为 Cannes 的安全基准测试项目的一部分。仅 2025 年 8 月就使用了超过 45,000 条提示，而目标公司对此测试毫不知情。

PyTorch 推出了一种跨仓库 CI 中继（CRCR），可自动触发和跟踪树外后端的 CI，并提供统一的 CI 健康状态仪表板。

本文为 GNU Emacs 的 Canvas 补丁请求测试人员，并提供了 MS Windows 的构建说明和一个测试代码片段。

本文报告了在小AI模型上测试程序性技能迁移实验的首批人工结果，提供了关于技能如何在模型间迁移的见解。

本文介绍了一种针对AI智能体的新型自然语言测试系统，该系统利用模拟隔离自动生成多轮模拟并评估智能体行为，帮助开发者捕捉提示词变更引起的回归问题。

Test That 是一个新的 Rust 测试断言库，源自 GoogleTest Rust，提供更简洁的 API、可选的依赖项以及更好的匹配器组合性。

一篇多推文分析概述了约15篇智能体循环论文，得出结论：预测成功的关键因素是验证器，而非模型本身。示例表明，稳健、不可被博弈的检查（如编译器、测试、可验证奖励）能显著提升性能，而失败则源于缺乏此类验证器或存在被博弈的漏洞。