ZGI 批量测试：上线前验证 Agent

Agent 单次回答正确，只能证明当前输入跑通。上线前还要确认换一种问法、缺少字段、知识更新、工具超时或权限不足时，系统会给出预期结果。批量测试把这些任务保存成可重复运行的样本，每次修改模型、知识、Skill 或 Workflow 后重新执行，比较关键字段和最终状态。

ZGI 将可复用批量测试放在 Agent 的发布与运行治理中。Agent 可以绑定批准的知识、数据库、Skills 和 Workflow，测试时用同一组任务检查变更是否影响检索、工具参数、分支判断和执行结果。运行日志用于定位失败发生在哪一步。

先把"回答正确"拆成可检查结果

不同任务的通过标准并不相同。知识问答需要检查引用资料是否匹配；结构化抽取关注字段名称、类型和必填项；工具任务还要确认调用对象、参数、权限与返回状态。只看最终自然语言，很容易漏掉中间步骤的错误。

例如订单查询任务返回了一段流畅说明，但调用时使用了错误客户编号，这条结果不能通过。退款流程正确判断了条件，却在审批前写入业务系统，也属于失败。通过标准应落到能够核对的字段和状态上。

测试集只放标准问题，批量运行通常会得到很好看的结果。生产环境里更常见的麻烦来自缩写、旧名称、跨段资料、模糊时间和不完整输入。样本需要覆盖常见任务，也要保留曾经失败的问题。

每条样本至少记录输入、期望结果、检查字段、允许动作和数据版本。涉及知识库时，还要写明期望引用的资料范围；涉及工具时，保存应调用的工具和禁止发生的副作用。无法写出期望结果的任务，暂时不适合自动判定。

一条任务失败后，应区分资料没有进入候选、模型提取错误、工具参数不符、权限拦截、流程分支错误或外部接口异常。把所有问题压成一个分数，很难指导修改，也可能让严重的越权问题被大量简单样本稀释。

测试报告可以按任务类型和失败阶段汇总。涉及资金、删除、外发和权限修改的样本需要单独设置上线门槛，即使整体通过数量较高，只要高风险样本失败，发布仍应停止。

修改知识切分时，先运行知识问答样本很合理，但还要保留一组跨模块回归任务。知识片段变化可能影响 Workflow 的条件判断，模型切换也可能改变工具参数。相关样本用于快速定位，固定回归集负责发现意外影响。

在 ZGI 中，可以先为一个 Agent 保存少量高频任务和已知失败任务，明确每条样本的关键字段与最终状态。每次调整模型、知识、Skill 或 Workflow 后重新运行，失败结果再结合运行日志定位。样本持续积累后，上线判断会逐渐从"演示看起来正常"变成可复查的发布条件。