当多个LLM驱动的智能体并行决策时，单个智能体输出正确不代表系统行为可靠。本文提出一套可落地的协调测试框架，聚焦轨迹捕获、行为不变量验证、回放回归等六步方法，直击并行系统中‘集体出错但个体无误’这一核心故障模式。
智能速览
传统单元测试无法发现多智能体并行决策导致的容量过度承诺问题
轨迹捕获可暴露reducer合并后总负载达102%等系统级异常
四类业务感知的行为不变量必须在每次执行后强制校验
黄金数据集不记录具体输出，而记录必须成立的属性与约束
CI/CD流水线需将不变量违规设为硬性失败，轨迹漂移需人工审查
三类典型协调故障：容量超限、状态陈旧、共享字段覆写
精华内容
并行多智能体系统的真正风险不在单个节点，而在节点之间的缝隙——那里没有日志、没有断言、只有集体行为悄然越界。
轨迹捕获
可观测性是协调测试的起点。LangGraph的checkpoint机制支持完整记录每个并行智能体的决策序列及reducer合并过程。例如在骨干网光纤中断事件中，轨迹显示四个区域智能体分别承诺30%、38%、15%、19%的负载转移，reducer合并后总和达102%，触发容量超限告警。该问题仅在完整轨迹中可见，单点断言或最终状态检查完全无法覆盖。轨迹还揭示了SLA验证是否严格发生在reducer之后，这是判断流程合规性的关键证据。
行为不变量
不变量是业务规则的技术锚点，共定义四类刚性约束：流量守恒（重分配前后总量偏差≤1%）、SLA验证必须在reducer之后执行、禁止静默的部分执行（任一区域无有效操作必须触发人工升级）、承诺容量不得超过骨干网可用余量。实测表明，新版LLM上线后旧金山智能体决策更激进，使总转移量从98%升至103%，直接违反第四条不变量。四条规则全部通过才视为协调层健康，缺一不可。
回放回归
真实事件轨迹是不可替代的回归资产。将半年前光纤中断事件的原始遥测快照与拓扑状态，在升级后的LangGraph图上重新执行，可验证模型迭代是否引发协调漂移。某次回放发现：旧金山智能体路径选择从‘经西雅图BGP重路由’变为‘直连洛杉矶核心节点’，虽缩短延迟12ms，但导致 reducer 合并时丢失对东部链路拥塞的感知。此类变化不破坏不变量，但需人工审查是否引入新风险。回放不是为了复现旧结果，而是确认结构性约束未被绕过。
黄金数据集
黄金数据集由真实事件提炼而成，每条记录包含原始输入（如BGP抖动时间戳、各区域实时利用率快照、维护窗口标记）和预期属性（如‘必须触发rebalance流程’‘sla_validation节点必须出现在reducer_merge之后’‘nyc_agent不得返回空操作’）。不保存具体路径名或百分比数值，因此模型从Llama3切换到Gemma2、prompt重构或工具schema变更后，数据集仍持续有效。当前数据集已覆盖17类边界场景，包括维护窗口与光纤中断叠加、遥测API局部超时等编造难度极高的组合。
CI/CD集成
每次prompt调整、工具函数更新或LLM版本切换，CI流水线自动回放全部黄金数据集，并执行全部不变量校验。不变量失败即阻断发布，例如某次prompt优化导致Dallas Agent在低负载场景下误判为高风险，触发非必要限速，违反‘非关键服务仅在拥塞预警时限速’的业务规则，流水线立即终止部署。轨迹漂移（如节点执行顺序变化、新增条件边）则生成带上下文的审查报告，交由SRE团队在4小时内判定是否属于可接受优化。自动化不是替代判断，而是确保判断必被触发。
协调故障模式
三类高频协调故障已被结构化建模：容量超限（四智能体各自优选东向链路，合并后达105%利用率）、状态陈旧（NYC读取实时利用率72%，DAL读取4秒前旧值68%，二者决策叠加制造虚假拥塞）、共享字段覆写（多个智能体并发更新同一‘全局拥塞指数’字段，最后写入者覆盖更高精度数据）。针对每类故障，设计专用注入测试：模拟陈旧遥测、强制并发写冲突、构造边缘容量阈值，验证reducer能否在执行前拦截而非事后补救。测试目标始终是协调层的完整性，而非智能体的聪明程度。
协调测试的本质，是把多智能体系统当作一个分布式事务来对待——reducer即事务边界，不变量即ACID中的约束。这套六步框架已在实际骨干网调度系统中运行九个月，将生产环境协调类故障下降83%。未来挑战在于置信度感知决策与混沌环境下的鲁棒性验证，这要求测试不再止步于‘是否合规’，而要回答‘在多大不确定性下仍可信赖’。
