https://jiajia.fun/a/fbcebfff-6b62-47e4-93ec-5d3c6e55af7e-%E7%9B%AE%E5%89%8D%E6%9C%89%E5%93%AA%E4%BA%9B%E7%BB%99agent%E5%81%9A%E6%B5%8B%E8%AF%95%E7%9A%84%E5%BC%80%E6%BA%90%E9%A1%B9%E7%9B%AE%E4%B8%8E%E5%B7%A5%E5%85%B7

# 目前有哪些给Agent做测试的开源项目与工具

Agent测试项目分“评测框架”与“测试执行”两类，选型前应先手动跑出真实badcase集，再借助框架做回归或观测。

## 要点

1. 评测框架类：promptfoo适合LLM调用层YAML断言；LangSmith、Langfuse先记录trace再从真实流量挑badcase建数据集。
2. 企业级与官方参考：Braintrust、Arize偏数据集管理与线上监控；OpenAI evals与Anthropic样例适合概念参考。
3. 测试执行类：Browser Use、Stagehand结合Playwright MCP让Agent跑用户流程，由模型判完成度，仅适合作探索性测试。
4. 实操建议先手动跑几十次记录失败案例攒成badcase集，再引入工具，否则空有框架无法落地。

## 来源

- [原始讨论 1](https://jiajia.fun/qa/9fbb486608bc6ad1e9c62bce)
