Google Android Developers公布的Android Bench 2.0不是几道小修Bug题：官方任务覆盖新应用、架构迁移、新功能与跨平台转换...

摘要：从代码可运行但选错SDK与认证模式的现场，建立可辩护的Agent Experience评测。

微软在扩展GitHub Spec Kit的公开文章中，把Spec-Driven Development描述为一条从需求、设计、任务到代码和测试的可追踪制品链，并...

AI Agent 上线后，如何持续判断每一次工具调用、业务路由和生成回复是否正确？淘宝技术在 AI 购物助手的购后服务场景中，建设了一套基于 LLM-as-a-...

上个月，团队里一个做了4年UI自动化的同事找我吐槽。他维护着800多条Playwright用例，那天早上打开报告一看——237条失败了。原因很简单：开发推了一次...

LangChain在公开的Agent开发生命周期文章中明确提出：生产Trace、用户负反馈和人工修订，应回流为下一轮离线评测数据；对敏感或不可逆动作，还应设置人...

MCP官方Tools规范明确：工具由模型发现和调用，定义中包含名称、描述、输入Schema和可选输出Schema；客户端还应在敏感操作前提供确认，并把工具注解视...

Agent为了修一个单测，先读取仓库，再安装依赖，接着访问网络查询报错。任务最后完成了，测试却发现它顺手扫描了用户目录里的配置文件。没有数据泄漏告警，也没有命令...

摘要：以企业支付SDK为场景，拆解Coding Agent的知识、工具、环境和评测缺口，给出可执行的补丁验收闭环。需求只有一句：“接入公司支付SDK，新增退款接...

Anthropic 在新版使用政策中禁止用户持续、无必要地虐待 Claude。相关机制并非首次出现：2025 年，Claude 就已能在极少数恶意互动中主动结束...

遍历工具执行了上千次点击、滑动和页面跳转，最终却发现大量操作集中在几个页面，真正重要的业务路径反而没有覆盖。

摘要：结合美团31万行AI重构公开实践，讨论AI Coding加速后测试岗位为什么要从执行回归转向定义高风险边界、证据和质量门禁。

摘要：以Playwright MCP的可访问性快照为基础，设计一个本地商城Browser Agent项目，覆盖页面变化、隐藏指令、权限边界和行为回归。

摘要：围绕Google最新统一工作Agent的公开能力，使用采购申请场景拆解跨应用身份、上下文、审批、副作用和长时间运行测试。

摘要：从近期决策模型Jev切入，拆解“只输出概率”的AI质检器为什么仍会产生高置信误判，并给出数据集、阈值、校准、漂移和CI门禁的完整测试方法。

去年Q4，我们启动了一个交易类核心服务的重构。这个服务跑了6年，经历了3次架构演进，代码里藏着无数“历史的馈赠”。最近终于告一段落，趁记忆还热，把整个过程完整记...

AI Coding 正在改变软件研发与测试的工作方式。当大量代码由 AI 辅助生成，工程规范不统一、代码审查压力增加、测试覆盖不足等问题也更加突出。本文结合一项...

摘要 DeepSeek Harness 0.2的测试重点，不是新增功能能不能点开，而是发行组合、历史会话、多Agent状态、执行环境、工具协议、桌面端安全和工程...

上线前，评估报告说『可以发』；上线后，观测看板说『在往下漂』。同一套系统、同一批指标，两份报告却出自两个团队、两套字段命名，谁也说不清当初按什么判的『过』、上线...