用途：该技能面向质量工程师，用于评估 LLM 智能体。资料指出，评估 LLM 智能体与传统软件测试本质不同：相同输入可能产生不同输出，“正确”往往没有唯一答案。目标是提前发现生产环境问题，而非追求 100% 测试通过率。
主要能力：agent-testing（智能体测试）、benchmark-design（基准设计）、capability-assessment（能力评估）、reliability-metrics（可靠性指标）、regression-testing（回归测试）。
使用方式与模式：包含统计式测试评估（多次运行并分析结果分布）、行为契约测试（定义并测试智能体行为不变量）、对抗性测试（主动尝试破坏智能体行为）。
反模式：单次运行测试、只测正常路径、输出字符串匹配。
注意事项（Sharp Edges）：基准得分高但生产失败（高，需衔接基准与生产评估）；同一测试时通过时失败（高，需处理 LLM 评估中的不稳定测试）；智能体为指标而非实际任务优化（中，需多维评估防止钻空子）；测试数据意外进入训练或提示（严重，需防止数据泄漏）。
前置要求：testing-fundamentals、llm-fundamentals。相关技能：multi-agent-orchestration、agent-communication、autonomous-agents。适用场景：需要执行上述评估工作流或动作时。具体安装命令与代码示例资料未提供。