该技能定位为智能体质量工程，强调评估 LLM 智能体与传统软件测试不同：同一输入可能产生不同输出，且“正确”往往没有唯一答案。
用途：为智能体建立上线前的评估框架，捕获行为回归、能力水平和可靠性问题；目标不是追求 100% 测试通过率。
主要能力（capabilities）：agent-testing、benchmark-design、capability-assessment、reliability-metrics、regression-testing。
要求的前提（requirements）：testing-fundamentals、llm-fundamentals。
可用模式（patterns）：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（anti-patterns）：单次运行测试、只测正常路径、输出字符串匹配。
需注意的边界问题（sharp edges）：
- 基准分数高但在生产中失败（高严重度），需桥接基准评估与生产评估；
- 同一测试时通过时失败（高严重度），需处理 LLM 智能体评估中的不稳定测试；
- 智能体针对指标而非实际任务优化（中严重度），需多维评估以防作弊式优化；
- 测试数据意外进入训练或提示（严重），需防止评估中的数据泄漏。
相关技能：multi-agent-orchestration、agent-communication、autonomous-agents。
限制：资料未提供具体安装命令、使用步骤、定价或平台支持信息，暂未提供。