微软上线ThinkingBox：按数据库真实状态与长期一致性评测智能体

The Agent Said It Was Done. The Database Disagreed. 微软在Hugging Face上线评估工具ThinkingBox，一改过去仅依赖生成文本质量评估智能体表现的做法，转为依据智能体在底层数据库和环境中留下的实际操作记录打分。该系统重点测试智能体在相同任务下连续运行20次的可靠性与结果一致性，帮助开发者甄别真正可落地的模型后端。