你的Agent回了一句“搞定”。上周有个依赖包静默升级了。现在，你其实没办法证明Agent还在按老样子干活，因为你手里根本没有它之前是怎么干的记录。

三周前我就栽在这上面。合并了一个标记为“安全”的Dependabot补丁更新——SemVer说没问题，CI流水线全绿。三天后，有用户反馈Agent跳过了以前一直会跑的关键步骤。更让人恼火的是，我的测试套件完全没捕获到。因为我所谓的“测试”，就是手动跑一次Agent，翻翻生成的对话文本，看一眼觉得还行就过了。Agent每次都说“已完成”。它不是在故意撒谎。它只是没办法知道自己漏了东西，而我也没办法检查出来。

真正的问题隐藏在那句“怎么证明Agent做了它声称的事”底下：跟什么比？如果你连一个确定正确的运行记录都没有，谈论“验证”就毫无意义。

你的对话文本不是凭据

第一反应通常是去重读Agent生成的对话摘要。但超过三五轮对话，这件事就彻底做不下去了。更要命的是，那段对话本质上是Agent自己的叙述。如果它声称写入了文件但实际没写，那份摘要仍然会白纸黑字地写着“文件已写入”。

你真正需要的是最底层的原始数据：它发起了哪些工具调用，传入了什么参数，拿到了什么样的返回值。不是故事，是收据。

记录一次真正跑通的运行

后来我找到的办法极其朴素，恰恰因为朴素才真的有用。趁Agent还在正常干活的时候，完整记录一次真实运行。把这次抓取当作后续一切的比对基准。

具体就一条命令：用reelier工具记录一次确认无误的Agent运行。它会抓取每一个工具调用、对应参数以及执行结果。这不是模拟数据，也不是手动编写的测试桩。这就是Agent刚才真实完成的工作，一步接一步，原封不动。那张你一直缺的收据，现在有了。

零成本回放与差异检测

真正的价值在于后续操作。每当环境发生变化——不管是哪个依赖升了版本，还是MCP工具服务器打了补丁，又或者你重构了代码——只管回放这份记录，然后把输出结果和最初那条基准做差异对比。

这条回放指令的设计很实用：回放时不调用任何大语言模型。这意味着全程不消耗生成式AI的推理token。在我实际运行中，连续回放1000次，1000次全都字节级一致。正是这种确定性让diff结果变得可信。如果比对发现差异，那一定来自你刚刚做的变更，而不是模型今天“感觉不太一样”。

要是更新没改变任何东西，diff输出就是空的，你可以放心合并。如果某个工具调用变了、某个参数被改了、某个返回值出现了偏移，diff会在被用户察觉之前，精确地告诉你变在哪儿、怎么变的。

在CI流程里，全量diff是给人看的。自动化检查一般只需要关注具体断言：这个工具必须被调用，那个参数必须维持原样。把关键约束写进测试，以后每次变更，先过机器那关。