构建 AI 智能体时，开发者常不确定对提示词（prompt）的局部调整以修复单个错误，是否会意外导致生产环境中的广泛回归。为弥合这一差距，Google 推出了一项面向编码智能体的新开发者技能，该技能自动化了一个五阶段评估飞轮：准备数据、运行推理、使用自适应 AutoRaters 进行评分、分析失败聚类，并执行针对性优化。该工具可针对生产流量持续运行，或通过合成场景按需运行，允许开发者用自然语言描述测试目标，同时由独立的评估服务安全地验证并统计实际性能提升。