上周调一个天气查询Agent，用户说“明天需要带伞吗”，Agent直接调了三天后的天气预报接口。问题出在哪？是意图识别错了，还是函数调用逻辑有漏洞？这种问题靠人工测试根本覆盖不全。今天咱们就聊聊，怎么系统性地给Agent“出考题”。一、从单点测试到评估体系传统软件测试看功能是否正常，Agent测试得看它“脑子”是否清醒。我习惯把评估分成三个层面：单元测试看基础能力，场景测试看任务完成度，压力测试看稳定性。单元测试这块，别只测API连通性。得构造各种“刁钻”输入：# 测试意图识别的边界情况test_cases=[("明天上海天气","weather_query"),# 标准情况