来自数据和行为之间空间的注释。

成功的例子很少说明当工具超时或状态假设无效时会发生什么。当故障数据识别中断点的状态并记录随后的操作时，它非常有用。

复苏轨迹需要可检查的结果。智能体人的解释是其所说的证据；环境和验证者确定它改变了什么。将这两种证据分开。

重播将记录的轨迹转变为可测试的序列。初始状态、工具接口和依赖项必须足以再次执行相同的任务。重置操作使该起点变得明确。

再现性是有范围的。确定性测试场景对于检查逻辑很有用，但不能证明实时外部服务的行为相同。记录受控内容、模拟内容以及测试边界之外的内容。

合成世界可以揭示行为的影响，而无需依赖自然语言的解释。设计一个任务族，定义允许的转换并选择提供可识别初始状态的种子。

接受有效的结果并拒绝看似合理的错误结果。负面测试有助于发现验证者太容易通过。视觉渲染说明了世界；它不独立证明某一集。

模式有效性是一个门，而不是整个结果。重置、重放、最终状态验证和出处都回答了有关记录的不同问题。被拒绝的记录应保留失败的原因。

当实际执行接口时，独立重运行会加强证据追踪。说明审计的范围，保留其工件并避免将数据集 QA 作为智能体绩效评分来呈现。