20｜Agent 类应用（多轮对话 + 工具调用）怎么测试？

开场按风险组织答案，覆盖面立刻完整。

回答思路

第一步：三类风险

风险类型	表现
工具调用风险	该调不调、调错工具、参数编造（幻觉填参——编一个不存在的订单号去查）、调用不存在的工具、死循环反复调
多轮状态风险	上下文丢失、指代消解错乱（用户说「它呢」，指代漂移了）、话题切换后旧状态残留
编排风险	分支走错、重试风暴、失败后不降级直接裸奔

第二步：测法展开四件套

• 任务级评测集：按用户目标设计完整任务而不是单轮问答，评任务成功率和完成效率
• mock 工具环境：把外部工具挡掉，可控地模拟成功、失败、超时、返回脏数据，验证 Agent 的应对——这是 Agent 测试最关键的基建
• 状态断言：多轮脚本在中途轮次检查记忆和状态是否正确
• 长程任务：几十轮的任务测耐力，看中途会不会遗忘目标

第三步：和单轮评测的本质区别——一句认知亮点

单轮看答案质量，Agent 看目标达成——评测单位从「一次回答」变成「一次任务」。

收尾：讲行业位置

Agent 测试方法论还在早期，标准都在形成中——谁先积累经验谁先值钱。

考察重点

维度	说明
企业动机	前沿落地能力。企业级 Agent 在 2026 年集中落地，测试方法论严重缺位——这是当前招聘里最稀缺的能力标签。问这题说明团队马上要做 Agent，能讲出 mock 工具环境和长程任务评测的，竞争力直接拉满
过线标准	能列全三类风险 + 讲出 mock 工具环境
区分度	讲得出「评测单位从回答变成任务」「长程耐力测试」的，是对领域有独立思考的；只会复述概念的没有竞争力
加分项	有实际 Agent 测试经验，能现场讲一个具体踩坑故事——这题有故事的人极少，讲一个通过率大幅提升

来源

整理自知识星球帖《面试情报 01｜大模型测试 20 题》，返回题库。