一个测试用文字模拟一通电话：模拟来电者按 scenario 扮演，Agent 用草稿（指令、开场白和知识库）回答，再由评审按 success_criteria 判断这通是否合格。给重要的通话场景写测试，每次修改后运行，全部通过再发布。
curl https://evasay.com/api/v1/voice/agents/AGENT_ID/tests \
-X POST \
-H "Authorization: Bearer sk-your-key" \
-H "Content-Type: application/json" \
-d '{
"name": "改约",
"scenario": "老顾客想把周五下午 3 点的预约改到周六上午。",
"success_criteria": "给出周六可约的时间，并确认新的时间和顾客姓名。",
"max_turns": 8
}'
POST /agents/{id}/test-runs 运行 Agent 的全部测试（或 test_ids 里的几个），每个测试返回一次运行（status: "running"）。轮询 GET /test-runs/{id}，直到 status 变成 passed、failed 或 error，这时运行里有 transcript 和评审的 reason（默认英文，reason_language: "zh" 为中文）。每次运行消耗点数，数额在工作台的测试页显示；余额不够时从付不起的那个开始不再运行，not_started 列出没运行的测试。没跑完的运行会退回点数。测试检查的是 Agent 说了什么，不检查声音和时延，也不会真的调用函数：函数请用 POST /tools/{id}/test 预览。每个 Agent 最多 30 个测试，PATCH、DELETE /agents/{id}/tests/{test_id} 修改或删除。
除了完整通话（type: "simulation"，默认），测试也可以只检查一句回复。type: "next_reply" 需要 chat_history，即这句回复之前、以来电者结尾的对话（[{role, text}]，role 为 caller 或 agent），以及判断 Agent 下一句回复的 success_criteria。type: "tool_call" 需要 chat_history 和 expected_tool {name, arguments, match}：Agent 应该调用 name（它的某个函数，或 end_call、transfer_call、handoff_to_agent），并传入 arguments；参数按精确值比较（去掉首尾空格、不区分大小写），设为 match: "judge" 时按意思比较；Agent 多传的参数不检查。运行的 transcript 里，tool_calls 记录 Agent 调用了哪些函数。
POST /agents/{id}/tests/generate 根据 Agent 的草稿（指令、知识库和函数）生成测试草稿。参数有 count（1–10，默认 5）、types、focus（要覆盖的情况）和 language（en 或 zh，用于名称和标准），按一次运行扣点数，返回的草稿可以检查后提交给 POST /agents/{id}/tests；带 save: true 时直接保存。