能做什么

改了提示词、模型或工具，怎么证明智能体没变差？这个技能用三个本地脚本做统计把关：先让每个用例重复跑多次，算出至少成功一次和次次成功两个指标；再核对调用了哪些工具、把不稳定的用例隔离；最后新旧版本逐用例配对比较，跑出置信区间和显著性检验。下降显著、关键用例翻车或用例被偷偷删掉，门禁就直接拦住合并。

适用平台

Python 3（3 个本地统计脚本，仅标准库，无 API 无联网）

来源与安全

2026-11-04 安全审查：已通读 SKILL.md 与全部脚本，未发现风险点。（本站审查为技能上架时审查，非持续性监控，来源非本站可控，调用技能请自行甄别）