分类标签归档：自动化测试
导读：这篇文章提出了一套 Agent 测试的 L0–L4 分层方案——从 L0 平台自检（先证明测量工具可信）、L1 单 Skill 冒烟、L2 单 Skill 批量放行门禁（L1 通过率 ≥80% 才允许用例入库）、L3 跨 Skill 全量回归对比 baseline，到 L4 稳定性回归筛掉 Flaky，核心理念是把"平台问题"和"Agent 质量问题"分开记账，让每次 FAIL 都能下钻到具体环节。文中还给了两个反复踩出来的实战经验：记忆按用户持久化（如 mem0）会导致二次跑"假 FAIL"，需用新会话/fresh_us
导读：文章对比"角色化对话测试"与传统人工界面测试两条路线：通过创建多个人设角色的提示词模拟真实用户，自动化执行对话、批量校验结果，并支持全量回归与多模型版本并行对比，测试执行从数小时缩短到分钟级；传统方式在账号准备、过程可追溯、校验一致性、模型对比等方面均有明显局限。适合在构建对话大模型质量保障体系、有大量重复验证与多版本对比诉求的测试团队，面试官可用来考察候选人对 AI 应用测试自动化与量化质量评估的理解。
分类：AI应用 ｜ 标签：对话测试、自动化测试、AI应用
随着对话大模型在业务中的深入应用，如何高效、可靠地验证模
导读：本文是一份可直接复用的接口测试清单，聚焦"接口能调通之外"最容易遗漏的非功能性测试点：错误码语义与稳定性、数据库落库与脏数据、登录/身份/权限边界、分页与参数边界值（如 int 最大值 2147483647、浮点精度 0.1+0.2），以及自动化用例的数据清理、自备数据和互相独立等硬性规范。适合接口测试工程师和希望提升接口质量的开发按模板逐条对照自己的用例设计。
分类：接口测试｜标签：接口测试、自动化测试
接口测试只校验「接口能不能调通、结果对不对」远远不够。回顾日常项目，真正容易被遗漏、上线后回头发现在背锅的，往往是那些非功能性测试点：错误