代理试用如何选样本：别只测试容易成功的页面

代理试用应覆盖团队真正需要据此决策的工作负载，而不是只测最容易打开的页面。先定义工作负载分层，为业务关键单元预留覆盖，再在相同允许条件下比较同一单元。一个汇总分数不能掩盖未测试的关键地区、变体或页面类型。

本文面向需要评估代理、开展获准监测任务的技术负责人和采购人员。它提供可复算的手工分配方法和试用表，不估算成本、不认证任何服务商，也不把配额样本包装成统计置信结论。

一、先写清决策与工作负载总体

先写具体行动：“库存运营负责人要在各市场当地截止时间前，复核已批准 SKU 的低库存例外。”列出允许来源、必需字段、市场或上下文、页面类型、校验器和截止时间。若低频决策可由人工核对、现有报告、API 或授权数据集回答，就不必建设代理试用。只使用适用条款、许可、合同或许可安排允许的工作流；代理不授予访问权。

二、按可能改变决策的因素建立分层

分层是可比较的计划作业组。下文示例只包括美国、德国的商品详情页任务。试用前，应依照已批准的参考资料把每项工作准确归入一个单元：美国或德国 × 常规（非低库存）或低库存。状态依据已批准参考确定，不依据某次成功响应确定。状态未知时放入明确的“未分类”单元，不能删除，也不能从结果反推。四单元示例假定没有未分类任务；实际清单若包含未知状态或其他市场，应将试用暂缓（HOLD）：先补充或澄清分层，再重新分配样本。把范围核查写入工作表，未解决的分类不能标为 PASS。

NIST 将区组设计说明为在区组内控制干扰因素，并对其余因素随机化；Statistics Canada 将分层说明为把总体分成组后抽样。这里仅将这些概念用于试用规划；本配额分配不是概率设计、服务商排名或置信区间。

三、把总体权重和试用配额分开

总体权重描述正常业务的任务构成，试用配额描述你有意要覆盖什么。权重应来自有日期的任务排程清单或已约定的任务预测，每个计划作业只计一次，并保留来源。业务构成未知时，明确标注为规划假设，不能写成实测流量占比。权重用于分配可自由调整的计划作业；即使生产权重很小，关键单元也应有独立的“已评估作业”最低次数。这种有意过度抽样会使试用配比不同于生产配比，因此，直接将试用结果相加得出的成功率不能视作生产整体成功率的无偏估计。汇总旁应同时展示各单元结果；这份小规模操作性试用不提供统计精度保证。

四、复算 50 个作业的分配

下列分销商只是虚构示例。本例假定所有任务已完成分类，共有四个互不重叠单元：A，美国常规库存（总体权重 60%）；B，德国常规库存（25%）；C，美国低库存变体（10%，关键）；D，德国低库存变体（5%，关键）。计划为每条路线 50 个不同的计划作业。C 和 D 均需 8 个已评估且匹配的作业来满足覆盖，且至少有 7 个有效结果才满足接受条件。有证据的失败计入已评估覆盖，缺失日志不计入。本例每个作业只执行一次主请求，不重试。浏览器作业可能还会加载多个资源，因此作业数不等于全部网络请求数或计费流量。同批作业可能共享目标或网络环境；编号不同不代表结果在统计上相互独立。

每路线预算=50；预留 C=8、D=8 个已评估作业；剩余=34；其余按非关键总体配比 A:B=60:25；A=round(34×60/85)=24；B=10；每路线配额=A24、B10、C8、D8

这组分配可复算，但不是通用样本量、置信水平、IPHTML 或其他服务商的性能预测。22/24、9/10 和 7/8 是本例运行前约定的有效结果门槛，不是通用推荐值。若比较两条路线，每条路线使用相同的 50 个样本标识；按本例单次尝试规则，共计 100 次主请求，且两条路线合计流量必须符合来源限制。下载 CSV 保留该计划，观察字段为空、结果均为 NOT_RUN。

五、不能用汇总掩盖未测关键单元

每次请求都分别记录是否完成与是否通过任务校验，以及许可引用、允许来源或上下文、校验器版本、时间窗和匹配样本标识。不要用更多容易页面的尝试替代缺失关键单元。按有效的 A24/B10/C8/D8 分配，若 D 的 8 个已评估作业全部无效，最多只剩 42 个有效结果。另一种违反计划的 A32/B10/C8/D0 分配即使有 49/50 个有效结果，也必须暂缓：D 的已评估覆盖为零。

覆盖不完整：已评估数低于 A24/B10/C8/D8，或必要日志证据缺失。
验收不通过：有效结果数低于 A22/B9/C7/D7。
比较不清楚：目标、校验器、上下文、允许时间窗或并发不同。
全部通过：仅本次试用范围通过；核查成本与运行限制后，再决定有限上线。

先在各单元内选样，再运行试用。本例安排两个获准观察窗口，各配额均分：A 为 12+12，B 为 5+5，C、D 各为 4+4。为每个单元和窗口建立合格任务编号清单，不放回抽取后冻结已选编号。保留选择工具或方法、适用时的随机种子以及实际选中清单；复查时以保存的清单为准。不要手选已知可用页面。某单元或窗口任务不足时，记录缺口并在运行前调整计划，不能用重复任务补数。比较两条路线时，对同一组样本标识在允许窗口中交替或随机化路线顺序，且不能超过来源限制。客户端版本、超时、尝试预算与内容校验规则也应保持一致。重复或重试仍属于同一计划作业，不是新样本，并应记录为偏离本例单次尝试规则的情况。同一对象在另一个计划窗口产生新作业，但仍不保证统计独立。关键配额不适合允许预算时，应暂缓并重定范围，不能删除该单元。结果定义、重试和分母请使用可靠性评分卡。

六、发请求前先使用试用表

可下载双语代表性试用 CSV。四行均是明确标出的假设分配，不是 IPHTML 结果。复制结构后，只替换为获准工作负载单元，保留“已评估”和“有效”两类最低次数；执行前实际观察字段应为空。每条路线单独复制一份，先填写路线编号、总体权重来源、许可引用、已选任务清单引用、时间窗、带时区的准确交付截止时间、校验规则和决策负责人。CSV 汇总各单元，逐项证据另存任务台账，至少包含 sample_id（样本编号）, stratum_id（分层编号）, scheduled_window（计划窗口）, route_id（路线编号）, attempt_no（尝试序号）, evaluated（是否完成评估）, valid（是否有效）, deadline_at（交付截止时间）, delivered_at（交付时间）, evidence_ref（证据引用）。运行前定义“有效”：商品与市场正确，包含必要的库存和来源字段，且在约定截止时间前交付。有证据的失败可以完成评估；未知交付不能悄悄算作已评估。

1. 先列出关键单元及其已评估和有效最低次数。
2. 总体权重只分配其余预算。
3. 请求前确定已批准任务标识选择、随机种子、校验器、匹配条件、截止时间和暂缓规则。
4. 将任务台账汇总回各行。计划评估数和证据齐全才将覆盖标为 PASS；达到该行有效结果门槛才将验收标为 PASS。保存的比较条件和样本编号一致，比较状态才标为 PASS。否则填写 HOLD 或 FAIL 及原因，尚未运行保持 NOT_RUN；任何 NOT_RUN、未解决的范围核查或条件偏差都会阻止批准。
5. 所有行和比较条件通过，才批准本次测试范围。一次小试用不能代表全部生产任务；结合成本模型和有限运行窗口，再决定是否扩展。

七、把相关试用决策分开

经济性请参照价格监测成本模型；地区上下文控制请参照区域网站 QA 测试矩阵；确认采集是否获准且必要，请参照公开数据源选择指南。