用途：在部署前验证 Amazon Bedrock 自动推理（AR）策略的行为，并构建策略变更后可重复运行的回归测试套件。建议在 ar-policy-reviewer 检查通过后使用。
主要能力：分两步测试流水线。生成场景测试规则正确性，由规则推导而来，可消除翻译不确定性；问答（QnA）测试覆盖完整流水线（翻译加验证），使用真实问答对与预期结果。
使用方式：先跑场景再跑 QnA。生成场景：uv run scripts/generate_scenarios.py --policy-arn <ARN> [--count 10]；创建 QnA 测试：uv run scripts/create_test.py --policy-arn <ARN> --output "..." --input "..." --expected VALID --confidence 0.8；运行测试：uv run scripts/run_tests.py --policy-arn <ARN>，可用 --test-case-ids 指定用例。脚本均支持 --help 与 --dry-run。
结果解读：每条结果含 expected、actual（按严重度聚合的最差结果）与通过/失败。严重度顺序为 TRANSLATION_AMBIGUOUS > IMPOSSIBLE > INVALID > SATISFIABLE > VALID。若 actual 与 expected 不符，先检查翻译（前提、断言、置信度），再怀疑规则。失败时交由 ar-policy-debugger 处理，不要在此猜测修复。
限制：测试工作流需要 COMPLETED 状态的 build id，脚本会自动解析最新的一个。需覆盖有效与无效两类用例。资料未提供更多平台、收费或效果信息。