Google Developer Relations 团队的作者借发布 Agent Skills 的契机，讨论如何测试这些技能的可靠性。他类比生产 API 要写单元测试，AI 代理也应从终端里的「体感测试」升级为结构化、自动化的评估流水线，用评分器（rubric）来断言代理是否成功。由于 AI 评估消耗真实 token，低质量的评估只会给出假信号、浪费预算、污染指标。他总结出五条规则：先摸清评估环境（沙箱、工具、依赖与真实资源的隔离）、避开天花板效应（基线模型本来就答对的提示词测不出工具价值）、用真实用例与样本数据接地气、最大化信号（每个提示测一个独立概念，像传统测试的代码覆盖率）、删掉重叠冗余的提示。