周二下午的评审会，为同一条退款链路，桌上摆着两个方案。测试同学摆出 A 方案：把用户三句话逐字写死，工具调用序列一步一断言——『没先查单就改地址，红』。算法同学...

摘要：用OpenTelemetry语义约定作为共同语言，再把会话、工具、业务与回归证据分层。

摘要：从LangSmith官方文档对Jev决策模型评测器的定义出发，说明它适合什么、不适合什么以及怎样校准。

摘要：从Cloudflare沙箱快照机制出发，建立仓库、依赖、工具、数据和网络一致的Agent评测环境。

摘要：基于Google公开的夜间自主优化实践，设计候选变更、独立验证与人工发布五道门禁。

摘要：基于Cloudflare Browser工具公开文档，拆解静态抓取、渲染页面和真实交互三种证据不一致时的测试方法。

“哥，我在项目里放了一个 SKILL.md，为什么 Claude Code 还是不会干活？”

摘要：千问与淘宝打通商品发现、比较、下单和售后后，AI购物不再只是“推荐商品”。本文依据阿里巴巴与支付宝公开资料，把一句自然语言购物需求拆成商品、报价、确认、订...

摘要：从NIST公开的Agent身份与授权议题出发，用薪资报表导出场景拆解“用户是谁、Agent是谁、凭据代表谁、动作归谁负责”四个容易混在一起的问题。

“哥，我让AI生成退款接口的测试用例，它给我写了20条。跑完之后我一看，15条假通过。”

过去测试一个接口，通常只需要判断返回结果是否符合预期。但测试一个能够自主分析数据、调用工具、生成业务策略的 Agent，情况就复杂得多。

摘要：基于Stripe公开的Machine Payments Protocol机制，拆解Agent从询价、授权到支付和交付的完整状态机，重点验证金额、对象、次数...

这项目今年 7 月 22 号才建仓，到我写稿这天刚满两个半月，star 已经冲过 9000。

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...