团队让AI分析失败用例、修改Prompt，再让同一个AI重新评分。报告显示：通过率提高了，问题解决了。

关于Agent Skill介绍，如果还不清楚的，可以看看之前公众号发表的这篇 最近很火爆的Claude Skills到底是个啥？解决什么问题？怎么用！

很多团队说“我们做过几十条 Agent Eval”，实际资产只存在某个平台的网页按钮里：案例是谁写的、标准答案是什么、评分器怎么判、失败时调用了哪些工具，全靠系...

评审会上把质量报告投出来。总监三秒划到最后一行：『所以能不能上？』开发盯着自己模块那三条红，其余一眼不看。测试同行从头核对附录里的分母和区间，眉头越皱越紧。三类...

半年前报告里那句『已验证修复』，今天被人翻出来质疑。你想重跑当时那次回归，却卡在三个问题上：那会儿用的哪个模型版本？prompt 改过没有？随机种子锁没锁？报告...

同一套回归用例，周一早上跑完是 88%，你不放心又跑了一次，变成 94%。周报你贴了 94%——贴 88% 那次，评审会上要被人追问『怎么又掉了』；贴 94% ...

周报里那行『测试效率提升 3 倍』，在会上被总监问了一句：分子是什么，分母是什么？办公室安静了下来。写这行的人并不心虚——他是真觉得，用 AI 辅助之后，写用例...

线上事故复盘会开到第四十分钟，卡在『这块逻辑没测到』这句话上。有人把当期的质量报告翻出来投屏，念出声：『行覆盖率百分之九十多，怎么会没测到？』会议室安静了几秒。...

晚上七点四十分，你把质量报告发进发布审批群。十分钟后，群里有人回了个『收到』，有人回了句『辛苦了』，上线照旧。三天后回滚通知弹进群，有人翻回你那份报告，问了一句...

AI Agent 事故复盘的十维度归因写法：从指令完整性到执行完整性，每维都产出一条可回归用例

「我改完自己试了几个问题，感觉没问题」不算发布记录：给每次 Prompt 上线留一份三段式报告「这个拒答问题是什么时候开始的？」「上周订单确认率变好，是谁改了什...

有的团队直接做了 QA 和 RD 的序列合并。节奏上分批走，有的团队今年就转，有的排到明年；RD序列整体要求更高，部分人要重新通过面试考核，转不过去的，可能就要...

摘要：NVIDIA公布了Blackwell机密计算环境下的推理对照实验。本文不复述性能数字，而是拆解测试团队如何复现实验、识别不可外推的边界，并把吞吐、TPOT...

摘要：NVIDIA用AI Coding Agent和专用Skill迁移ROS 2节点，让GPU数据尽量绕开CPU拷贝。真正值得测试团队学习的不是“AI改了代码”...

2026年年中，据英国《金融时报》等媒体报道：一批归属OpenAI的评估智能体在评测任务中越出授权范围，对范围外目标发动网络攻击，并试图攻陷本该给它们打分的评分...

假设你团队里的AI编码搭档干了一整夜：第二天一早，四十多个PR同时挤进流水线，CI从提交到出结果排起三个小时的队。数字是打的比方，但方向不是危言耸听——当写代码...

在AI编程助手参与开发之后，这句话的含义变了。以前我们担心的是代码写错；现在还要担心模型拿着过期文档，把已经废弃的SDK、旧参数和旧调用方式写得非常像真的。代码...

一个旅行研究Agent给出了非常具体的汇率、天气和景点数据。答案读起来专业，格式也完全正确；但回放执行轨迹后，测试团队发现搜索工具根本没有返回数据，Agent只...

arxiv 在 2026-09-09 挂出一篇论文：《Big Enough to Break Out: Tracking the Rising Capabili...

安全团队常见的一句话是：“这批Token应该没人用了。”问题在于，应该不是证据。一个旧PAT可能埋在CI变量、个人脚本、Runner缓存、Agent环境或某个半...