用途：面向 LLM 智能体的质量评测，帮助在进入生产前发现行为退化、能力边界与可靠性问题。资料强调智能体评测不同于传统软件测试：相同输入可能产生不同输出，“正确”往往没有唯一答案。
主要能力：agent-testing、benchmark-design、capability-assessment、reliability-metrics、regression-testing。
包含的知识模块：统计检验评测、行为契约测试、对抗性测试；反模式包括单次运行测试、仅测试正常路径、输出字符串匹配。
前置要求：testing-fundamentals、llm-fundamentals。
使用方式与具体安装命令：资料未提供。
限制：资料为技能概览，未给出具体评测流程、指标定义、代码示例或平台支持信息，相关内容暂未提供。