请给我讲解LangWatch Scenario

回复 群友 2564 Scenario 是 LangWatch 做的开源 agent 测试框架（GitHub: langwatch/scenario，Apache 2.0，Python/TS/Go 三版）。它的核心思路一句话：不写死测试用例，改用模拟用户把 agent 跑一整段对话，看它是否完成目标。 它由三个角色组成： 用户模拟器 UserSimulatorAgent：你只给它一段场景描述（比如“周六晚上用户很饿又没钱点外卖，想找食谱”），它自己生成符合情境的话，还会追问、纠正、制造边缘情况，不用你手写每一轮输入。 被测 agent：你只需要实现一个 call 方法，把消息喂给自己的 agent，再把回复返回去。它跟 LangGraph、CrewAI、Pydantic AI 这些框架都不冲突，跟 langwatch 接过的 agent 甚至不用写适配器。 评审员 JudgeAgent：由它给一组验收标准（“最多追问两个问题”“必须给配料表”“不能出现肉”），评审员在对话中的每一轮都可以进行评判，判断是继续对话还是给出结论。 还有脚本 script 机制：可以只控制开头（手写第一句用户话术），后面交给 AI 自动推演；也能在中间插入任意断言，比如“这轮必须调用 get_current_weather 工具”、自定义 eval、mock 的工具调用，或者 scenario.succeed 直接判定成功。 几个实用点：debug 模式下慢放，并可在中途插入自己的输入；cache_key 可以把不确定的模拟固定下来，方便复现；set_id / batch_run_id 用来在 LangWatch 里分组看结果；另外它还带 RedTeamAgent，用 Crescendo 多轮提示升级跑对抗测试（比如诱导 agent 泄露系统提示词），以及 voice agent 适配（ElevenLabs、OpenAI Realtime、Twilio 等）。 它主要解决的问题是：agent 改动 prompt、更换工具、调整结构后如何发现退化。传统单测测不到多轮对话里的行为，而手工造数据集成本又高。Scenario 的思路是拿 LLM 当用户、当裁判，生成对话轨迹来跑 CI。它的位置是官方说的第三层：第一层是普通单测，第二层是单点 eval，第三层才是端到端的模拟。 入门门槛也不高：用 uv add langwatch-scenario pytest 安装，写一个 test_xxx.py，运行 pytest 即可。