专场：评测驱动研发：模型与 Agent 的能力度量体系
本专场聚焦模型与智能体的评测体系搭建与实际研发落地。研发优化迭代依赖量化依据，缺少标准化度量，模型与Agent的升级优化便无明确抓手。当前多数评测方式指标不成体系、贴合业务场景不足，难以有效指导AI编码、人机协作、智能体任务执行等研发工作。本场将围绕实操落地，分享LLM与智能体评测体系的搭建方法，梳理AI编码效率、人机协作效能等核心评估指标，介绍评测基准的设计逻辑、实操流程及行业对标手段，帮助团队建立常态化评测机制，依托量化数据推进模型与Agent的常态化迭代优化。
专场出品人：茹炳晟
腾讯研究院 高级技术顾问
中国计算机学会TF多智能体系统SIG副主席，中国计算机学会TF数据科学与知识工程SIG执委，“软件研发效能度量规范“标准核心编写专家，中国商业联合会互联网应用技术委员会智库专家，中国通信标准化协会TC608云计算标准和开源推进委员会云上软件工程工作组副组长，腾讯云架构师技术同盟入会主席，年度IT图书最具影响力作者，多本技术畅销书作者，著作有《软件研发效能提升之美》《现代软件测试技术之美》《测试工程师全栈技术进阶与实践》《多模态大模型技术原理与实战》《高效自动化测试平台:设计与开发实战》《软件研发效能提升实践》《软件研发效能权威指南》《现代软件测试技术权威指南》《高质效交付》《代码之外：软件工程师成长手记》等，译作有《软件设计的哲学》《整洁架构之道》《持续架构实践》《构建Agentic AI系统》《大模型驱动的软件测试：从理论到实践》《平台工程》《企业架构决策：战略框架与实施指南》《AI领导力》《现代软件工程》《计算机科学通识：计算思维培养与多学科问题解决实践》《DevOps实践指南（第2版）》《精益DevOps》《基础设施即代码-模型驱动的DevOps》等，国内外各大技术峰会的联席主席，出品人和Keynote演讲嘉宾。公众号“茹炳晟聊软件研发”主理人。
付敏
蚂蚁集团 AI质量工程师
现任蚂蚁集团大安全部门AI质量工程师，深耕通用安全质量领域5年。曾就职于京东、高德担任质量工程师，积累了丰富的互联网大厂质量保障实战经验。
专业聚焦通用安全质量保障体系构建，在网络安全攻防、网关实时识别引擎、零信任架构、办公安全等核心安全能力领域具备多年质量保障经验，主导并参与过多项企业级安全平台的质量体系建设与风险防控项目。
近2年聚焦AI技术与质量工程的融合创新，致力于运用大模型、智能体等AI技术重塑质量工作流（Quality Workflow），在测试用例智能生成、缺陷预测、自动化诊断及智能评审等场景推动质量效能升级，探索AI时代下安全质量保障的新范式。
专业聚焦通用安全质量保障体系构建，在网络安全攻防、网关实时识别引擎、零信任架构、办公安全等核心安全能力领域具备多年质量保障经验，主导并参与过多项企业级安全平台的质量体系建设与风险防控项目。
近2年聚焦AI技术与质量工程的融合创新，致力于运用大模型、智能体等AI技术重塑质量工作流（Quality Workflow），在测试用例智能生成、缺陷预测、自动化诊断及智能评审等场景推动质量效能升级，探索AI时代下安全质量保障的新范式。
待定
待定
评测如何驱动Coding Agent质量能力进化
议题背景：
随着AI技术的爆发，Coding领域正经历一场效率狂飙：从产品经理直接上手驱动的"Vibe Coding"，到团队自建Coding Bot自主完成编码任务，代码的交付速度被极大拉升。然而，这种"野蛮生长"带来了严峻的质量挑战：需求文档缺失或滞后、变更量剧增且影响面不可预估、代码产出速度远超测试速度、质量人力已成为无法突破的瓶颈。
同时，AI生码引入了不同于传统开发模式的风险敞口——大模型的幻觉、逻辑黑盒与上下文丢失，导致生成的代码可能暗藏安全漏洞、逻辑缺陷或偏离预期，传统针对人工编写代码的质量拦截机制，已难以应对AI批量生码带来的新型风险。
面对"速度狂飙"与"质量失控"的矛盾，我们需要重新思考：
- 如何打破传统QA范式，用AI技术重塑质量Workflow，让质量工作在AI时代先活下来？
- 如何通过系统化的评测手段，精准探测质量Bot其能力短板使其持续变强？
- 评测不应只是事后的"守门员"，如何将其转化为牵引力，以评测结果反向驱动质量Agent能力的进化，进而驱动CodingBot交付代码的质量持续提升？
本次议题将直面AI编码时代的质量痛点，分享从"被动兜底"到"以评测为牵引、AI重塑流程"的破局之道。
内容大纲：
1. 痛点与破局：AI生码狂飙下的质量暗礁与旧范式失效
随着AI技术的爆发，Coding领域正经历一场效率狂飙：从产品经理直接上手驱动的"Vibe Coding"，到团队自建Coding Bot自主完成编码任务，代码的交付速度被极大拉升。然而，这种"野蛮生长"带来了严峻的质量挑战：需求文档缺失或滞后、变更量剧增且影响面不可预估、代码产出速度远超测试速度、质量人力已成为无法突破的瓶颈。
同时，AI生码引入了不同于传统开发模式的风险敞口——大模型的幻觉、逻辑黑盒与上下文丢失，导致生成的代码可能暗藏安全漏洞、逻辑缺陷或偏离预期，传统针对人工编写代码的质量拦截机制，已难以应对AI批量生码带来的新型风险。
面对"速度狂飙"与"质量失控"的矛盾，我们需要重新思考：
- 如何打破传统QA范式，用AI技术重塑质量Workflow，让质量工作在AI时代先活下来？
- 如何通过系统化的评测手段，精准探测质量Bot其能力短板使其持续变强？
- 评测不应只是事后的"守门员"，如何将其转化为牵引力，以评测结果反向驱动质量Agent能力的进化，进而驱动CodingBot交付代码的质量持续提升？
本次议题将直面AI编码时代的质量痛点，分享从"被动兜底"到"以评测为牵引、AI重塑流程"的破局之道。
内容大纲：
1. 痛点与破局：AI生码狂飙下的质量暗礁与旧范式失效
1.1 问题分析
从 Vibe Coding 到 Agent 交付，研发范式跃迁带来的质量暗礁与旧范式失效
1.2 技术抉择
从"人海拦截"转向"AI重塑Workflow+评测牵引"
从 Vibe Coding 到 Agent 交付，研发范式跃迁带来的质量暗礁与旧范式失效
1.2 技术抉择
从"人海拦截"转向"AI重塑Workflow+评测牵引"
2. Workflow重塑：AI质量保障流水线的工程化落地
2.1 技术抉择与架构设计
三级落地模式 + AI质量保障流水线
2.2 工程实践
深度定制支持与测试用例构造
三级落地模式 + AI质量保障流水线
2.2 工程实践
深度定制支持与测试用例构造
3. 评测牵引能力进化：三层评测体系驱动质量飞轮
3.1 工程实践
原子能力评测 + Agent端到端评测 + CodingAgent评测
3.2 避坑与闭环
评测结果反哺Agent，从"事后发现"到"事前规约"
原子能力评测 + Agent端到端评测 + CodingAgent评测
3.2 避坑与闭环
评测结果反哺Agent，从"事后发现"到"事前规约"
4. 价值落地：量化收益与核心反思
4.1 收益量化
效能与质量的双向跃升
4.2 真实踩坑经验
评测驱动AI质量架构升级与能力进化
效能与质量的双向跃升
4.2 真实踩坑经验
评测驱动AI质量架构升级与能力进化
听众收益：
参会人多为从业5年以上的技术群体，他们能从该分享中收获到：
1. 打破传统QA思维局限，获取AI质量Workflow重塑的实战路径
2. 获得一套可落地的质量Agent评测方法论
3. 获得质量workflow AI重构的一手经验与避坑指南
参会人多为从业5年以上的技术群体，他们能从该分享中收获到：
1. 打破传统QA思维局限，获取AI质量Workflow重塑的实战路径
2. 获得一套可落地的质量Agent评测方法论
3. 获得质量workflow AI重构的一手经验与避坑指南
李成龙
支付宝 AI 多模态评测核心成员
北京邮电大学计算机技术专业硕士，AAAI 2026 第一作者，具备大模型后训练、评测回流及智能体评测相关实践经验。现为支付宝 AI 多模态评测团队核心成员，主要聚焦 Chat Agent + MCP 方向，专注于 MCP Benchmark 设计、Judge Model 能力建设及自动化评测体系搭建，围绕智能体开展全链路评测与误差归因，推动评测结果反哺算法迭代，持续探索大模型与 Agent 评测的新方法与技术实践。
待定
待定
GUI Agent 评测方法：从结果评估到能力分析
议题背景：
随着多模态大模型的发展，GUI Agent 已经从“看懂界面、执行单步操作”走向“在真实 App 中完成复杂长链路任务”。但现有评测体系仍有明显不足：静态 benchmark 能评原子能力，却很难映射到真实任务表现；动态 benchmark 能看端到端成功率，却难以解释失败到底来自视觉定位、组件理解、动作规划，还是本应主动向用户澄清却没有澄清。与此同时，动态评测普遍依赖人工验收、任务步数偏短、对 Ask/Call User 等协作能力覆盖不足。
本次分享将结合我们在移动端 GUI Agent benchmark 构建中的实践，介绍如何通过“动态任务先构造、静态能力后拆解”的方式，把端到端评测、细粒度诊断和自动化评测真正打通。
随着多模态大模型的发展，GUI Agent 已经从“看懂界面、执行单步操作”走向“在真实 App 中完成复杂长链路任务”。但现有评测体系仍有明显不足：静态 benchmark 能评原子能力，却很难映射到真实任务表现；动态 benchmark 能看端到端成功率，却难以解释失败到底来自视觉定位、组件理解、动作规划，还是本应主动向用户澄清却没有澄清。与此同时，动态评测普遍依赖人工验收、任务步数偏短、对 Ask/Call User 等协作能力覆盖不足。
本次分享将结合我们在移动端 GUI Agent benchmark 构建中的实践，介绍如何通过“动态任务先构造、静态能力后拆解”的方式，把端到端评测、细粒度诊断和自动化评测真正打通。
内容大纲：
1. GUI Agent 评测的核心难点
1.1 静态 benchmark 与动态 benchmark 各自解决什么问题
1.2 为什么只看成功率不够，为什么只做静态能力题也不够
1.3 GUI Agent 在真实场景下面临的长链路、动态页面与模糊意图挑战
1.2 为什么只看成功率不够，为什么只做静态能力题也不够
1.3 GUI Agent 在真实场景下面临的长链路、动态页面与模糊意图挑战
2. 动态-静态一体化评测体系怎么设计
2.1 如何从动态任务和 golden trajectory 出发，反推静态诊断任务
2.2 Grounding、Perception、Navigation 三类静态能力如何拆解
2.3 为什么把 Ask / Call User 纳入正式动作空间
2.2 Grounding、Perception、Navigation 三类静态能力如何拆解
2.3 为什么把 Ask / Call User 纳入正式动作空间
3. 工程落地中的关键实践与踩坑
3.1 如何设计高保真 sandbox，而不是依赖真实手机和大量人工回放
3.2 为什么 final-state-only 不够，如何做 trajectory-based judge
3.3 数据构建和评测中的典型问题：不可执行 query、答案泄漏、多路径评测、Ask 机制失真等
3.2 为什么 final-state-only 不够，如何做 trajectory-based judge
3.3 数据构建和评测中的典型问题：不可执行 query、答案泄漏、多路径评测、Ask 机制失真等
4. 效果与启发
4.1 构建 300 条动态任务、15000 条静态任务、18 个高频场景
4.2 动态自动评测与人工一致率达到 85%
4.3 静态诊断指标对动态成功率建立高相关，帮助更好地定位模型瓶颈
4.4 从结果评估走向过程评估与能力归因，是 GUI Agent 评测的重要方向
4.2 动态自动评测与人工一致率达到 85%
4.3 静态诊断指标对动态成功率建立高相关，帮助更好地定位模型瓶颈
4.4 从结果评估走向过程评估与能力归因，是 GUI Agent 评测的重要方向
听众收益：
1. 理解 GUI Agent 评测为什么不能只停留在“任务成功率”或“静态能力题”，建立动态执行、静态诊断和失败归因的一体化视角。
2. 获得一套可借鉴的 benchmark 设计方法，包括 top-down 数据构建、trajectory-based judge、Ask 能力评测等关键思路。
3. 了解 GUI Agent 自动化评测落地中的工程实践和典型踩坑，为团队构建可规模化的 Agent 评测体系提供参考。
1. 理解 GUI Agent 评测为什么不能只停留在“任务成功率”或“静态能力题”，建立动态执行、静态诊断和失败归因的一体化视角。
2. 获得一套可借鉴的 benchmark 设计方法，包括 top-down 数据构建、trajectory-based judge、Ask 能力评测等关键思路。
3. 了解 GUI Agent 自动化评测落地中的工程实践和典型踩坑，为团队构建可规模化的 Agent 评测体系提供参考。
刘洋
去哪儿旅行 基础架构高级后端开发工程师
负责公司质量与效率类平台建设，包含智能体平台、智能体可观测、AICR等
待定
待定
Agent 质量工程实践：构建 Agent 可测试、可评估、可质检体系
议题背景：
传统软件测试仅聚焦功能验证，无法适配 AI Agent 迭代特性：交付标准从二元功能校验升级为效果量化，研发流程由线性阶段转为全生命周期数据反馈闭环，长尾幻觉、工具调用异常、效果退化等问题测试成本指数级上涨。本次分享基于去哪儿自研智能体平台 QMoss 万级 PD 落地实践，以开源 Langfuse 为核心搭建企业级可观测底座，落地三层量化指标、分级测试集、多类型评分器与线上线下双层质检机制；完整披露 ClickHouse 集群部署、内部 SSO 打通、传统链路互通等落地踩坑方案，并落地数据分析 Agent、AI CR Agent 两大业务实例。整套体系实现 Agent 问题发现周期从天级缩短至小时级，大幅降低人工验证成本，形成观测 - 评估 - 修复的自进化 LLMOps 闭环，为企业生产级 Agent 质量保障提供可复用落地方案。
传统软件测试仅聚焦功能验证，无法适配 AI Agent 迭代特性：交付标准从二元功能校验升级为效果量化，研发流程由线性阶段转为全生命周期数据反馈闭环，长尾幻觉、工具调用异常、效果退化等问题测试成本指数级上涨。本次分享基于去哪儿自研智能体平台 QMoss 万级 PD 落地实践，以开源 Langfuse 为核心搭建企业级可观测底座，落地三层量化指标、分级测试集、多类型评分器与线上线下双层质检机制；完整披露 ClickHouse 集群部署、内部 SSO 打通、传统链路互通等落地踩坑方案，并落地数据分析 Agent、AI CR Agent 两大业务实例。整套体系实现 Agent 问题发现周期从天级缩短至小时级，大幅降低人工验证成本，形成观测 - 评估 - 修复的自进化 LLMOps 闭环，为企业生产级 Agent 质量保障提供可复用落地方案。
内容大纲：
1. Agent 质量面临全新行业痛点
1.1 两大核心变革：交付标准升维、研发流程非线性化
1.2 建设目标：打造可观测、可评估、可质检质量护城河
1.2 建设目标：打造可观测、可评估、可质检质量护城河
2. Agent 质量工程完整落地体系
2.1 可观测底座：企业本地化 Langfuse 实践
2.1.1 架构设计：复用企业中间件降本
2.1.2 生产踩坑：CK 集群部署两大问题解决方案
2.1.3 企业集成：SSO 登录、OTEL 埋点、打通传统 QTrace
量化：累计 200+Trace，模型累计成本 670 美元
2.1.2 生产踩坑：CK 集群部署两大问题解决方案
2.1.3 企业集成：SSO 登录、OTEL 埋点、打通传统 QTrace
量化：累计 200+Trace，模型累计成本 670 美元
2.2 标准化自动化评估体系
2.2.1 三层量化指标 + 两级测试集设计
2.2.2 三级评分器 + 流量自动回放回归流水线
2.2.2 三级评分器 + 流量自动回放回归流水线
2.3 双层质检架构：离线门禁 + 线上实时哨兵闭环
3. 两大生产 Agent 实战案例
3.1 数据分析 Agent：幻觉检测与 Trace 驱动自进化优化
踩坑：LLM 混淆代码函数与工具调用；修复周期从天→小时
3.2 AI CR Agent：自动代码评审 + 一键修复与召回率评估体系
数据：70% 识别缺陷为代码可读性、逻辑缺陷类问题
踩坑：LLM 混淆代码函数与工具调用；修复周期从天→小时
3.2 AI CR Agent：自动代码评审 + 一键修复与召回率评估体系
数据：70% 识别缺陷为代码可读性、逻辑缺陷类问题
4. 实践总结与未来演进方向
4.1 落地核心结论
4.2 三大演进路线：自主评估、动态自适应、多智能体协同质检
4.2 三大演进路线：自主评估、动态自适应、多智能体协同质检
听众收益：
1. 掌握企业级 Langfuse 生产落地避坑完整方案：获取 ClickHouse 集群部署、内部单点登录、传统监控链路打通等真实踩坑解决方案，无需重复踩坑，快速搭建 Agent 全链路观测底座。
2. 落地一套可直接复用的 Agent 标准化评估体系：学会三层量化指标、分级测试集、多阶评分器组合、自动化回放流水线完整设计思路，解决 Agent 效果无法量化、回归成本高的行业难题。
3. 获得生产级 Agent 自进化 LLMOps 落地范式：借鉴数据分析 Agent、AI CR Agent 两大真实业务案例，掌握 “观测发现坏例 - 自动根因分析 - 自动修复 - 自动化回归” 闭环能力，显著降低 Agent 迭代人力成本、缩短优化周期。
1. 掌握企业级 Langfuse 生产落地避坑完整方案：获取 ClickHouse 集群部署、内部单点登录、传统监控链路打通等真实踩坑解决方案，无需重复踩坑，快速搭建 Agent 全链路观测底座。
2. 落地一套可直接复用的 Agent 标准化评估体系：学会三层量化指标、分级测试集、多阶评分器组合、自动化回放流水线完整设计思路，解决 Agent 效果无法量化、回归成本高的行业难题。
3. 获得生产级 Agent 自进化 LLMOps 落地范式：借鉴数据分析 Agent、AI CR Agent 两大真实业务案例，掌握 “观测发现坏例 - 自动根因分析 - 自动修复 - 自动化回归” 闭环能力，显著降低 Agent 迭代人力成本、缩短优化周期。
汪磊（砚东）
阿里国际 研发工程师
就职于阿里巴巴-国际数字商业集团-数字零售技术部 业务中台团队，主要从事国际化商品中心稳定性工程和智能化建设，目前负责商品中心智能运维相关业务，在 Agent 架构设计、评测体系构建、Skill能力建设等领域均有落地实践。
待定
待定
AI Agent 应用精细化评测：评测体系设计与工程实践
议题背景：
要解决的问题：当前团队 AI Agent 评测停留在端到端黑盒层面，只关注 Agent 输出的最终答案质量（“文本相似度”的指标），开发者很难定位问题的根因——是意图理解偏差、路由决策错误、记忆丢失，还是工具传参不对。
痛点：传统评测面临几个根本性问题——评测粒度太粗、无法检测幻觉、忽略中间过程、掩盖成本效率、缺乏多轮评估、与真实场景脱节。
思考的方向：将评测从黑盒（端到端评测）拆到白盒（模块级评测），建立“质量×成本×性能”三维评测体系，按 Agent 架构的四大模块（感知、规划、记忆、工具）逐层独立评测，以实现“黑盒判断最终结果，白盒定位具体问题”的核心目标。
要解决的问题：当前团队 AI Agent 评测停留在端到端黑盒层面，只关注 Agent 输出的最终答案质量（“文本相似度”的指标），开发者很难定位问题的根因——是意图理解偏差、路由决策错误、记忆丢失，还是工具传参不对。
痛点：传统评测面临几个根本性问题——评测粒度太粗、无法检测幻觉、忽略中间过程、掩盖成本效率、缺乏多轮评估、与真实场景脱节。
思考的方向：将评测从黑盒（端到端评测）拆到白盒（模块级评测），建立“质量×成本×性能”三维评测体系，按 Agent 架构的四大模块（感知、规划、记忆、工具）逐层独立评测，以实现“黑盒判断最终结果，白盒定位具体问题”的核心目标。
内容大纲：
1. 引言
1.1 团队 Agent 评测面临的问题
1.2 商品中心 Agent 应用架构介绍
1.3 本项实践工作的解法
1.2 商品中心 Agent 应用架构介绍
1.3 本项实践工作的解法
2. 评测指标体系：搭建面向 Agent 架构的评测指标
2.1 端到端和模块级评测说明
2.2 质量、成本、性能维度说明
2.3 评测指标设计（端到端指标、核心模块指标、成本与性能指标）
2.2 质量、成本、性能维度说明
2.3 评测指标设计（端到端指标、核心模块指标、成本与性能指标）
3. 评测数据工程：构造覆盖真实业务场景的评测数据
3.1 评测数据的分类构建
3.2 评测数据的用例结构
3.3 评测数据的执行模式
3.2 评测数据的用例结构
3.3 评测数据的执行模式
4. 评测方法规范：设计面向特定指标类型的评测任务
4.1 Judge Task 分层设计
4.2 Judge Prompt 设计原则
4.3 评测用例的通过标准
4.4 评测指标的统计原则
4.2 Judge Prompt 设计原则
4.3 评测用例的通过标准
4.4 评测指标的统计原则
5. 评测执行引擎：支持自动数据装配和运行时指标采集
5.1 评测执行的完整链路
5.2 数据集自动装配
5.3 运行时指标采集
5.2 数据集自动装配
5.3 运行时指标采集
6. 评测平台能力：定位问题根因并持续提升Agent能力
6.1 指标看板和结果分析
6.2 评测平台的能力解耦
6.2 评测平台的能力解耦
7. 总结与思考
7.1 核心收获
7.2 未来方向
7.2 未来方向
听众收益：
一个真实团队的评测体系怎么搭：如何按照 Agent 模块拆解评测？精细化的指标体系包含哪些内容？评测数据集的构建思路？评测任务的构建规范？
陈永健
华为 AI与智能应用 测试总工
20年华为运营商领域软件测试经验，6级专家，目前主要负责华为运营商软件数智化转型与AI云原生平台开发与测试，长期专注测试技术发展，在智能体开发评测，混沌工程（高可靠性测试）、生态兼容性测试、自动化测试、AI大模型评测、性能与仿真测试等领域有深入探索，支撑和保障全球300+运营商客户稳定运营。
待定
待定
AI原生智能体长程任务可靠性验证实践
议题背景：
Agentic智能体的非确定性、多轮工具调用与记忆状态依赖，让传统断言式测试失效，尤其面向长程任务下的结果漂移、线上异常等问题频发并因缺少中间态难以复现。本课题结合华为智能体测试实践，给出长程任务"可观测—可注入—可度量"的可靠性测试方案。打破Agent黑盒，全链路可控注入生成，执行快照，破解不可复现；注入 LLM 超时限流、感知异常、工具异常、上下文膨胀等典型故障，验证降级与自愈；以固定种子和多次注入故障采样把偶发失败量化为稳定通过率。复盘评测集污染、Judge 自身漂移、注入粒度粗导致误判等踩坑与规避手段。实践已在商用项目落地，有效支撑评测结果和用户体验的一致性的同时，提前识别和修复智能体缺陷。
内容大纲：
1. 背景：一个长程任务的翻车现场
Agentic智能体的非确定性、多轮工具调用与记忆状态依赖，让传统断言式测试失效，尤其面向长程任务下的结果漂移、线上异常等问题频发并因缺少中间态难以复现。本课题结合华为智能体测试实践，给出长程任务"可观测—可注入—可度量"的可靠性测试方案。打破Agent黑盒，全链路可控注入生成，执行快照，破解不可复现；注入 LLM 超时限流、感知异常、工具异常、上下文膨胀等典型故障，验证降级与自愈；以固定种子和多次注入故障采样把偶发失败量化为稳定通过率。复盘评测集污染、Judge 自身漂移、注入粒度粗导致误判等踩坑与规避手段。实践已在商用项目落地，有效支撑评测结果和用户体验的一致性的同时，提前识别和修复智能体缺陷。
内容大纲：
1. 背景：一个长程任务的翻车现场
1.1 从一个真实事故讲起
2. 业务与测试挑战：长程任务到底难在哪
2.1 什么是"长程任务"：四个判据
2.2 与单轮LLM测试、传统软件测试的差异
2.3 六类长程专属失效模式
2.4 为什么传统断言式测试全面失效
2.2 与单轮LLM测试、传统软件测试的差异
2.3 六类长程专属失效模式
2.4 为什么传统断言式测试全面失效
3. 总体技术方案：可观测—可注入—可度量
3.1 三层测试金字塔：Step / Trajectory / Task
3.2 方案全景：三件套能力地图
3.2 方案全景：三件套能力地图
4. 关键实现一：全链路可观测与可回放
4.1 Trace模型：把智能体执行建模为带状态的轨迹树
4.2 埋点设计：五个要素
4.3 快照与回放：让偶发问题变成确定性用例
4.4 长程专项：里程碑校验与目标漂移检测
4.2 埋点设计：五个要素
4.3 快照与回放：让偶发问题变成确定性用例
4.4 长程专项：里程碑校验与目标漂移检测
5. 关键实现二：面向长程任务的故障注入
5.1 注入矩阵设计方法论：从失效模式反推注入点
5.2 注入实现：四层拦截手段
5.3 长程典型故障清单
5.4 断点续跑与幂等：checkpoint & resume 专项验证
5.5 注入粒度与爆炸半径控制
5.2 注入实现：四层拦截手段
5.3 长程典型故障清单
5.4 断点续跑与幂等：checkpoint & resume 专项验证
5.5 注入粒度与爆炸半径控制
6. 关键实现三：非确定性治理与度量
6.1 从"偶尔失败"到可量化指标：pass^k
6.2 方差控制与统计显著性
6.3 分层度量指标体系
6.4 Agent-as-a-Judge的校准与去偏
6.2 方差控制与统计显著性
6.3 分层度量指标体系
6.4 Agent-as-a-Judge的校准与去偏
7. 工程落地：测试平台架构与工具链
8. 效果与结论
8. 效果与结论
8.1 落地效果
8.2 结论与下一步建议
8.2 结论与下一步建议
听众收益：
1. 一套实战项目可参考的智能体故障注入测试清单 — 六类长程失效模式各配可自动执行的注入用例与判定标准。
2. 一套让偶发问题可复现的测试工程方案 — Trace 模型、五个必采埋点、录制重放与里程碑漂移检测，可直接改造现有测试平台，
3. 一套智能体可靠性的度量体系 — 用 pass^k 取代 pass@1、方差控制，让质量结论经得起追问。
1. 一套实战项目可参考的智能体故障注入测试清单 — 六类长程失效模式各配可自动执行的注入用例与判定标准。
2. 一套让偶发问题可复现的测试工程方案 — Trace 模型、五个必采埋点、录制重放与里程碑漂移检测，可直接改造现有测试平台，
3. 一套智能体可靠性的度量体系 — 用 pass^k 取代 pass@1、方差控制，让质量结论经得起追问。
关注QECon公众号
关注QECon视频号
商务合作
151-2264-3988 木子
票务联系
159-0126-5561 小娟
媒体合作
135-1619-6409 皮皮
购票咨询
小娟 15901265561
