AI Agent 升级模型版本，听起来只是换个更强的引擎。但在实际系统里，更强的模型不代表所有行为都会变好——有些 prompt 可能被过度解读，有些工具调用顺序会变，有些边界场景过去能正确处理、升级后反而出错。
Agent 版本升级后的回归测试，和 证据包、回放对照 是同一套体系。它解决的是“换了底座，Agent 还是不是原来那个 Agent”的问题。今天 DeepSeek-V4-Flash 正式版上线、EU AI Act 透明度条款生效，都让这个问题的紧迫性又加了一档。
先建样本集，不是先换模型
回归测试的第一步不是在测试环境里跑一跑就上生产，而是先把样本集建好。样本集至少包含这几类：高频任务（每天跑几百次的典型请求）、边界用例（异常输入、超长上下文、多轮兜圈）、过去修过的 Bug（防止同样问题再次出现），以及客户投诉过的 Bad Case。
这些样本最好带标注：预期输出、可接受偏差范围、重点关注字段。有了样本集，每次升级前才能说清楚“通过”是什么意思。
新旧模型要并排跑
最可靠的做法不是用旧模型的答案当标准答案，而是让新旧模型在同一批样本上并排跑，用结构化维度做对比。可以关注这些维度：工具调用是否正确、是否引用了被标记为过期的资料、是否在不该调用工具时调了工具、输出格式是否变化、置信度是否异常降低。
这和 审计查询字段 是一条线。旧模型和新模型的结果差异，不能被一句话总结带过，而是要落到具体字段上。
退化要能标记和回滚
看到新模型在某些样本上表现更好，不代表所有场景都安全。只要出现任何关键任务退化（引用过期资料、跳过审批、外发未经确认的客户消息），就应该标记并阻断上线。
更好的做法是设置灰度：先只对内部测试用户开放新模型，跑满一个完整业务周期，确认 失败升级规则、转人工队列 和 质量门禁 都没被绕过，再逐步扩大范围。
总结
AI Agent 版本升级回归测试，核心不是“新模型更强”，而是“新模型在现有任务上不比旧模型差”。样本集、并排对比、退化标记、灰度发布，每个环节都不能省。
