LangSmith・Langfuse・Phoenixなどの観測ツールでエージェントの思考ステップ・ツール呼び出し・LLMへの入出力・コストを全て可視化できます。LLMを使った自動評価（LLM-as-Judge）でタスク完遂率・回答正確性・ツール使用適切性を測定し、回帰テストの自動化でプロンプト変更後の品質劣化を検出します。
非決定的な動作をするAIエージェントのデバッグ・テスト・品質保証のための実践的手法を解説。
LangSmith・Langfuse・Phoenixなどの観測ツールでエージェントの思考ステップ・ツール呼び出し・LLMへの入出力・コストを全て可視化できます。LLMを使った自動評価（LLM-as-Judge）でタスク完遂率・回答正確性・ツール使用適切性を測定し、回帰テストの自動化でプロンプト変更後の品質劣化を検出します。