用途：该技能面向 LLM 智能体的测试与基准评估，包括行为测试、能力评估、可靠性指标与生产监控。资料提到，即便是顶尖智能体在真实世界基准上的表现也常低于 50%。
主要能力：资料列出的能力包括 agent-testing、benchmark-design、capability-assessment、reliability-metrics、regression-testing。生态中提及 AgentBench、τ-bench、ToolEmu、Langsmith 等工具，替代方案包括 Braintrust、PromptFoo。
使用方式：先确认用户目标与范围，再读取 metadata.json 与 ORIGIN.md 确认来源，然后仅加载会实质影响结果的参考、示例或脚本，执行上游工作流并保留来源边界，最后按上游预期验证结果。触发条件包括用户提到 agent testing、agent evaluation、benchmark agents、agent reliability、test agent。
适用场景：评估随机性智能体行为、定义并测试行为契约、构建评审材料等。
限制：不覆盖模型训练评估（loss、perplexity）、公平性与偏见测试、用户体验测试；聚焦智能体能力与可靠性。需要测试方法论、统计分析基础、LLM 行为模式等前置知识，建议具备 testing-fundamentals、llm-fundamentals。资料未提供具体安装命令、收费与价格信息。