# 智能体和工作流怎么测试？把失败样例保留下来

以任务完成、字段正确和操作边界为依据，持续比较 AI 流程的变化。

要点：用一组包含正常、缺失、冲突和失败情况的输入，检查最终结果与执行过程。模型、提示或节点调整后复测同一组样例，并把新发现的问题加入其中。测试目标是发现真实限制，不是只展示成功结果。

![同事对照业务资料与样品核对结果（AI概念配图）](/images/guides/scenes/v152-enterprise-efficiency.jpg)

## 让样例代表实际任务

一条简单输入只能说明某种情况可运行。增加长文本、多附件、错误编码和缺少必要信息等样例，检查流程是否合理停止、要求补充或交给人工处理。

每个样例记录预期行为，而不必要求生成文字逐字相同。可以检查字段是否正确、来源是否存在、是否调用了不该调用的工具，以及关键步骤有没有被跳过。

## 分别观察结果和执行

结果看起来正确，可能来自不合适的来源或越界操作。保留关键节点的输入输出与调用状态，便于理解错误发生在哪一步。测试数据应脱敏，并限制日志访问。

n8n 官方评估文档介绍了用数据集比较工作流输出的方法。团队可先从少量代表样例开始，再随实际运行积累扩展，不需要一开始追求复杂评分体系。

## 修改后检查已有能力是否退步

修复一个错误后，不只重跑该错误。原本正确的任务也要保留，以发现修改带来的退步。比较模型时保持任务、资料与判断标准一致，减少无关差异。

测试报告可以简短列出通过项、未解决问题和适用范围。样例数量有限时，不把通过率描述为对所有业务的准确率。能明确说出何时不能使用，也是交付质量的一部分。

## 测试既检查答案，也检查动作

同一批样例包含正常询盘、缺项、冲突、无权限与接口失败。逐题核对来源、状态、执行次数和最终产物；修改模型或流程后复测，并把新失败补入测试集。

## 参考来源

- [n8n Docs｜为什么需要评估 AI 工作流](https://docs.n8n.io/build/integrate-ai/test-and-improve-ai-workflows/understand-why-to-test)：利用固定样例比较输出与回归变化

## 验证一次流程修改

- 固定输入：正常与失败情况都保留

- 明确预期：结果和动作分别核对

- 比较变化：记录改善、退步与限制

![验证一次流程修改](/images/guides/diagrams/workflow-evaluation.svg)

## 继续阅读

- [AI 试点怎样验收？同时看质量、耗时与采用情况](/guides/pilot-evaluation)

- [知识库回答质量怎么测？不要只看语气是否肯定](/guides/knowledge-evaluation)

- [企业选大模型：用自己的任务比较，比看榜单更有效](/guides/model-selection)

分别核对学习、企业建设和阶段评审证据；秩启标准属于品牌自身评价依据。

下一步：[查看成果与证据标准](/standards)

原文：/guides/workflow-evaluation

内容版本：guide:workflow-evaluation:v1

<!-- version:guide:workflow-evaluation:v1 -->

[结合企业情况咨询](/intake?source=%2Fguides%2Fworkflow-evaluation&articleId=guide%3Aworkflow-evaluation&versionId=guide%3Aworkflow-evaluation%3Av1)