先按真实任务类型分层，再为每类任务准备输入、初始环境、可用工具、预期结果和禁止发生的行为。 正常场景覆盖常见路径；边界场景包括空结果、超长输入、多个同名对象和跨时区日期；异常场景包括工具超时、限流、部分成功和服务重启；对抗场景包括恶意网页指令、越权参数和伪造工具结果。 测试外部写操作时使用沙箱或可还原的数据，明确检查副作用。例如不仅检查回复“退款失败”，还要检查数据库是否真的没有新增退款单。  评测集分为开发集、回归集和独立保留集，防止提示词只对已知样本优化。持续加入线上失败案例，同时保留稳定基线，才能看清版本变化。