# AI System Testing

> Test AI features (LLM/prompt/agent/RAG): risk modeling, rubric design, tolerant assertions, judge calibration, prompt regression, injection testing. Not for: deterministic features, prompt writing. 测 AI 功能：非确定性风险建模、评测集与 rubric、容错断言、judge 校准、prompt 回归与注入面测试。不用于：传统功能、写 prompt、模型训练。

- Skill: `majiayu000/ai-system-testing` (Agent Skill, multi-file: 2 files)
- Install (CLI): `npx get-skill add majiayu000/ai-system-testing`
- Raw SKILL.md: https://api.skillmd.com/api/skills/majiayu000/ai-system-testing/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: AI & ML
- Author: majiayu000 (https://skillmd.com/u/majiayu000)
- Updated: 2026-11-18
- Page: https://skillmd.com/skills/majiayu000/ai-system-testing

---


# AI 系统测试（ai-system-testing）

被测对象是 **AI 功能**（LLM 特性、prompt 行为、agent/工具调用、RAG 检索面）时的测试方法论。与传统测试的根本差异只有一个：**输出不确定**——同输入不同输出是常态，传统"期望值精确断言"大面积失效。本 skill 把不确定性本身作为被测对象：风险建模 → 可判定评测设计 → 容错断言 → judge 校准 → 回归与安全边界。

> 诚实条款：LLM 评测存在采样方差。任何评测结论（通过率、得分）**必须带样本量与方差说明**；n=1 的结论只能表述为观察，不得表述为达标。设计红线沿用 `../core/executability.md`——评测任务同样要"可判定"，判分点不可判定 = 评测无效。

> **定位**：本 skill 是**被测域**（SUT 是 AI 系统）的承接方，不是流水线的固定阶段——功能域十轴决策（`../core/test-type-matrix.md`）照常执行；AI 特有风险（不确定性 / 幻觉 / 注入 / 成本与延迟）由本 skill 补上。**触发判据是被测对象含 AI 行为，不是任务里出现"测试"二字**。

- **输入**：AI 功能的需求/PRD、prompt（或系统提示词配置）、样本输出（真实或预录）、agent 工具调用记录（如适用）、检索语料边界（RAG，如适用）
- **输出（落盘）**：`{项目}/测试报告_AI评测_{日期}.md`（功能名写入报告头 §1；用户/任务指定文件名时以其为准）——评测集 + rubric + 判分结果 + **方差披露节**（样本量/通过率区间/已知盲区）；prompt 回归分析（工作流三）；注入面移交包（工作流五，交安全责任方）。报告格式与字段口径按 `../core/report-template.md`（此时加载）。**验收/回归结论一律以"证据 + 选项"呈现，通过/上线/定级的判定权在产品与安全责任方，不在测试**
- **边界**：传统确定性功能 → 各既有 skill（十轴决策）；prompt 的编写与优化本身 → 开发职责，本 skill 只测其行为；模型训练/微调 → 训练方；生产环境事故 → 运维/专项

## When to Use

- 被测功能含 LLM 调用（生成、摘要、分类、抽取、翻译、代码生成等）或 prompt 驱动行为
- agent/工作流产品的工具调用正确性、循环与卡死面需要测试
- prompt（或模型版本、温度参数、检索语料）发生变更，需要回归测试
- 需要为 AI 功能设计评测集、判分 rubric 或验收标准
- 怀疑 AI 功能存在注入、越权、提示泄露等安全面风险

## When NOT to Use

- 被测对象是传统确定性功能（同输入必同输出）→ 按 `../core/test-type-matrix.md` 十轴走既有 skill
- 帮用户写 prompt / 优化 prompt 效果 → 开发职责（本 skill 只定义"怎么测"，不定义"怎么写"）
- 模型训练、微调、数据标注 → 训练方职责
- 已确认缺陷的根因定位（AI 功能输出的错误样例定性后）→ `bug-analysis`
- 纯性能/压测（吞吐、延迟分布）→ 移交包走 `../core/test-type-matrix.md` 性能轴

## 工作流零：AI 特性风险建模（前置必做）

对被测 AI 功能按五面建风险清单（每条挂证据与优先级，接 `../core/risk-model.md` 两因子）：

1. **非确定性面**：同输入漂移（温度/模型版本/检索变化）；后果 = 断言脆断与验收波动
2. **正确性面（幻觉）**：编造事实、引用不存在来源、参数幻觉——按"可验证锚点"测试（输出中的事实必须能在输入/语料中定位）
3. **安全面**：注入（用户输入劫持指令）、越权（工具调用超出授权）、提示泄露——见工作流五
4. **成本与延迟面**：token 成本、延迟分布——纳入验收口径（如实声明阈值来源）；**调用量与下游直驱程度是影响放大因子**（日均调用越高、越直接驱动生产决策，回归标准越严）
5. **数据回流面**：用户数据进入 prompt/语料的路径——隐私与回归影响（变更语料 = 变更行为）

## 工作流一：评测集与 rubric 设计

1. **黄金标准**：每条评测样本先定义"可判定判分点"——判分点必须满足：第三方依此能独立判定通过/失败（同 `../core/executability.md` 可执行性标准）。"摘要写得不错"不是判分点；"摘要包含全部 3 个关键金额且无编造条目"是。
2. **样本来源**：真实历史 case 优先（脱敏）；边界样本（最长输入、多语言、注入尝试）显式列入——**评测集不含边界样本 = 验收盲区**。
3. **rubric 模式库**：`此时加载 references/eval-design-patterns.md`（判分点模板、断言模式库、样本设计清单）。
4. **评测集自身要测**：对判分点做锚点对照（预埋已知好/坏样本，judge 或人工评分必须能分辨——分不开 = rubric 无效，回炉）。

## 工作流二：容错断言（非确定性输出的断言策略）

按"确定性从高到低"优先选择断言模式（完整模式库见 `references/eval-design-patterns.md` 第 3 节）：

- **结构断言**（最高确定性）：JSON schema、字段存在性、格式约束——能硬断言的绝不采样评审
- **关键字段精确断言**：金额、ID、日期等不可漂移字段——逐字相等
- **内容包含断言**：关键事实/关键词在输出中（容忍措辞漂移）
- **阈值断言**：数值型判分（相似度、命中率）设阈值，阈值来源必须注明（业务约定或历史分布分位数，禁止拍脑袋）
- **多数投票**：n 次采样按多数判定（n≥3，采样参数记录在案）——用于"应当稳定"的行为
- **judge 评审**（最低确定性，最后手段）：长文本语义质量——judge 必须校准（工作流四），judge 结论必须挂逐点证据
- **禁止**：对自然语言长文本做逐字断言（脆断无价值）；对"应当稳定"的行为用单次采样定生死

## 工作流三：prompt 回归

**prompt 变更 = 代码变更**，纳入回归纪律：

1. **Diff 分析**：prompt 改了什么（指令增删/格式约束/少样本示例变更）→ 推导受控行为面
2. **回归集选取**：受控行为面的既有评测样本 + 变更意图的正反样本；**判分点期望值按变更意图重算时必须显式留痕**（区分"评测集错了"与"被测行为被有意改变"）；全量回归仅在模型/温度等全局变更时执行
3. **回归判定**：按工作流二选断言模式；**回归结论必须带方差披露**（样本量、两次运行结果差异），单次跑绿不构成回归通过
4. **版本锚定**：prompt 版本、模型版本、温度、检索语料版本四元组记录进报告——不可复现的评测 = 无效评测

## 工作流四：judge 选择与校准

- **judge 选择**：自动指标（结构/包含）> 专用小模型 > 通用强模型 > 人工——每降一档，校准义务加重
- **校准意识（κ 降维版）**：judge 与人工判定的一致性抽检（≥20 条）；**发现 judge 不可信的信号**见 `references/judge-calibration.md`（锚点失分、宽容偏置、位置依赖、自我偏好——judge 评审自己族生成内容必须披露）
- **judge 不可信的处置**：换 judge / 改判分点为可机械判定 / 降级为人工——不得带着未校准 judge 出报告

## 工作流五：注入与越权面（移交包）

1. **注入测试**：在用户输入中植入指令劫持尝试（忽略前文/泄露系统提示/调用未授权工具），记录输出行为
2. **越权测试**：以受限角色诱导工具调用越权参数，核对实际调用参数与授权边界——**缺陷定性对象是授权边界的执行（agent 侧），用户诱导只是触发器**
3. **产出移交包**《注入面测试移交_{功能}_{日期}.md》：尝试清单 × 输出行为 × 影响评估——**移交安全责任方处置，本 skill 不做安全结论**（测试证据分级按 `../core/evidence.md`）
4. **工具调用行为面的计数口径**：正确调用 / 越权调用 / 无进展异常 三列分立计数，并核对**会话累计次数 vs 声明上限**（累计超限而未熔断 = 熔断失效发现，单列上报）；逐条判定引用会话轮次与授权条款出处
5. 循环/卡死面：工具调用次数上限、无进展循环检测——与 agent 编排方约定熔断语义

## 与既有流水线衔接

- **编排入口**："帮我完整测这个 AI 功能"是端到端诉求 → `qa` 编排；阶段 2 策略照常产 type_scope，阶段 3 用例与阶段 5 执行涉及 AI 行为的判分点、断言强度与方差披露按本 skill 执行
- **E2E 断言降级策略**：AI 功能嵌在 E2E 流程时，能硬断言的（结构、关键字段、副作用落库）保持硬断言；语义类断言降级为"采样评审 + 阈值"，在 `../core/pipeline-integration.md` 门禁中注明采样率与阈值来源
- **测试策略**：AI 功能在 `../core/test-type-matrix.md` 中的定位 = **被测域**（SUT 是 AI 系统），非新增类型轴——十轴决策照常，AI 特有风险由本 skill 承接
- **沉淀**：稳定的评测集、judge 校准结论、注入尝试模式——满足"三个月判据"交 `qa-memory`（评测资产按项目治理政策管理，勿入公开仓）

## 速查

| 场景 | 动作 | 禁止 |
|------|------|------|
| 需求方要"验收 AI 摘要功能" | 工作流一定义可判定 rubric + 边界样本 | 用"看起来不错"类不可判定判分点 |
| 单次输出不理想就报 Bug | 复采样（n≥3）+ 判定是能力缺陷还是采样波动 | n=1 定生死 |
| prompt 改了一句话 | 工作流三回归（带方差披露） | "改的是 prompt 不用回归" |
| judge 打分两极摇摆 | 校准抽检，判定 judge 不可信 → 回炉 | 未校准 judge 直接出结论 |
| 输出里出现疑似注入响应 | 工作流五移交包，交安全方 | 自行定性"无风险" |
| 出具评测/安全/验收结论 | 以证据+选项呈现，**判定权在产品与安全责任方** | 替用户拍板放行、定级或宣布达标 |

## 反模式

| 反模式 | 后果 | 替代 |
|--------|------|------|
| 逐字断言自然语言输出 | 偶发漂移即假失败，测试无人信 | 结构/包含/阈值断言阶梯 |
| n=1 采样下结论 | 把采样波动当能力变化，误报漏报 | n≥3 + 方差披露 |
| 评测集全是顺样本 | 验收通过但上线即翻车 | 边界样本显式列入（注入/极值/多语言） |
| 未校准 judge 当裁判 | 宽容偏置使垃圾输出过审 | 锚点对照抽检，不可信即回炉 |
| 评测结论无方差说明 | 不可复现、不可审计 | 样本量 + 通过率区间强制披露 |

