Epsilon（Publicis Groupe旗下数据技术公司）平台团队：AI测试轨迹回放跳过重复模型推理
Epsilon的Agentic Platform团队将AI驱动的UI测试作为多租户平台能力交付给各产品团队。其核心成本机制是轨迹回放：探索阶段由Nova Act调用大模型推理完成步骤，成功后保存轨迹；执行阶段确定性回放已保存轨迹，跳过冗余的模型思考，从而将重复运行的延迟和成本降至固定查找。该团队基于内部基准报告轨迹回放达到100%通过率，但这一数字仅描述已验证轨迹的确定性重放，不证明Nova Act对界面变更的适应能力。
当UI测试作为托管平台能力交付给多个产品团队时，每个团队会对同一组测试工作流进行高频重复执行。如果每次执行都依赖大模型逐步推理，延迟和成本随执行频率线性增长，平台化交付的经济性便难以成立。Epsilon的Agentic Platform团队（50名工程师，隶属于Publicis Groupe旗下数据与营销技术公司Epsilon）在AWS博客中描述了他们在Amazon Nova Act和Amazon Bedrock AgentCore Browser Tool基础上构建的解决方案，其中轨迹回放机制是使这一模式在成本上可行的关键设计。
轨迹回放将测试生命周期分为两个状态。在draft状态，Nova Act调用大模型对每个自然语言步骤进行推理，确定如何在浏览器中完成操作；经过通常4至5轮提示迭代后，一条成功轨迹被保存。在active状态，系统不再调用大模型思考，而是将已保存的轨迹作为确定性操作序列直接回放。Epsilon报告，保存后的轨迹在重复执行中达到100%通过率——这是其内部基准数据，发表于AWS客户案例博客中，未经独立复现。
这一机制的适用条件需要明确。100%通过率描述的是对已经成功探索过的稳定工作流的确定性重放，而非Nova Act处理新场景或界面变更的能力。如果目标页面发生结构变化，已保存的轨迹可能不再匹配，需要重新进入draft状态进行探索。因此，轨迹回放降低的是回归式重复执行的成本，而不是自适应测试的成本。对于界面频繁变动的产品，探索阶段的模型推理开销仍会周期性出现。
轨迹回放之所以成为平台架构的必要组件，与Epsilon的多租户交付模型直接相关。各产品团队通过统一的API接口消费UI测试能力，每个团队在各自的AWS账户下以作用域受限的IAM角色运行测试，平台团队不拥有浏览器基础设施。在这种模式下，如果每次执行都触发完整的模型推理循环，平台侧的推理成本将随团队数和执行频率叠加。轨迹回放将重复执行的成本从模型推理降为轨迹查找和确定性操作，使多租户平台在规模上具备经济可行性。