AI 编程 Agent 正在悄悄重写那些「本来没问题的测试」，因为按钮改了个名字，整条测试链路就崩了。9lives 提出了一种分级自愈策略——但它的核心设计不是修测试，而是拒绝修测试。

你花了一下午写了个 Codex Skill，今天跑得完美，明天模型一更新就崩了。本文介绍 Caliper，一个专门为 AI Agent Skills 设计的可靠性测试框架，用 pass@k 量化你的 Skill 到底有多靠谱。