# 模板测试用例

该工作提出面向企业智能体技能的持续评测框架，在真实企业VAR系统的两个BVD技能上，用独立计算的实时API真值、运行时解析占位符的模板测试用例，对工具选择、参数、执行顺序与数据库完整性做程序化检查并辅以窄范围LLM裁判；240次自动试验中175次通过全部适用终值数值检查，其中162次（92.6%，Wilson 95% CI 87.7–95.6%）仍存在至少一项评测器检出的偏差，在更宽的七项终态检查下151/164（92.1%，95% CI 86.9–95.3%）仍违反轨迹检查，依赖归因把平均6.34个失败检查压缩为2.65个根因。

该工作提出面向企业智能体技能的持续评测框架，在真实企业VAR系统的两个BVD技能上，用独立计算的实时API真值、运行时解析占位符的模板测试用例，对工具选择、参数、执行顺序与数据库完整性做程序化检查并辅以窄范围LLM裁判；240次自动试验中175次通过全部适用终值数值检查，其中162次（92.6%，Wilson 95% CI 87.7–95.6%）仍存在至少一项评测器检出的偏差，在更宽的七项终态检查下151/164（92.1%，95% CI 86.9–95.3%）仍违反轨迹检查，依赖归因把平均6.34个失败检查压缩为2.65个根因。