提示词改一个词、模型换个版本、工具定义动一行、检索参数调个数字——AI Agent 就可能从"能用"变成"莫名其妙"。OpenRouter 发布的回归测试教程给出的做法很朴素：把这些变更当作发布事件对待，锁死一套用例集，每次改动之后全部重跑，再拿结果对照一份书面的行为契约。
关键在"书面行为契约"这几个字上。多数团队的测试是感觉型的——随手试几个问题，觉得回答还像样就上线。契约要求把期望写成可核查的条目：这个 Agent 在什么输入下必须调用哪个工具，必须在几轮内收敛，必须拒绝哪一类请求，遇到歧义时该追问而不是硬猜。用例集锁定同样重要，否则你分不清究竟是模型退化了，还是测试本身被悄悄改过了。基准一动，所有对比都失去意义。
最容易被漏掉的是工具定义和检索设置。改一句工具描述，模型的调用选择就可能整体偏移；调一下召回数量，喂进上下文的内容全换了一批。这些操作没人会当成"换模型"，却实实在在改变了行为。所以回归测试的触发条件不该只盯版本号。代价当然有：每跑一轮都要花时间和钱。但比起让真实用户在线上替你发现 Agent 突然不会干活了，这笔账怎么算都划算。
