给自动驾驶智能体做上线审计，像考前摸底：如果把题目平均撒在所有路况上，宝贵的测试次数可能浪费在早已熟悉的场景里，真正危险的盲区反而没测到。Li、Bi 与 Ding 提出的 CAD（Flow-Constrained Audit Design，流约束审计设计），要用有限的“探针”测试补齐历史日志，并估计目标策略——智能体准备上线后采用的行动规则——在实际运行方式下的表现。
关键不只是挑罕见场景，而是挑目标策略常去、旧日志却少见的“状态—动作”组合。CAD 比较两边的占用分布，也就是各类状态与动作在运行中出现的频率，再用带环境流动约束的凸优化安排探针，避免测试无法实际到达的场景。它还会根据已收集结果反复估计环境变化，动态更新下一轮探针。作者在 Gridworld、LunarLander 和采用 Waymo Open Motion Dataset 真实日志的自动驾驶实验中称，CAD 比仅用离线日志及其他探针设计估计得更准；论文未在摘要中给出统一的提升幅度。