为什么智能体不能只靠单元测试？改个提示词智能体就变傻：有人用 TypeScript 手搓评测套件，20 条任务就能拦住回归

大白话智能体和普通代码不一样：同一个问题，模型每次回答都可能不同，所以传统单元测试只能算半管用。这篇教程的做法是给智能体一批真实任务，在干净环境里跑好几遍，再给结果打分，看它到底行不行。作者建议起步别贪多，从真实翻车案例里挑 20 到 50 条任务，每条多跑几次，必须稳定成功的就用 pass^k 指标衡量。他还特意不用现成框架，把底层逻辑摊开给你看。

对你意味着如果你在写智能体、调提示词或换模型，这套小评测能让你在发版前就发现「它变笨了」，而不是等用户来骂。