微软与 Hugging Face 联合发布 ThinkingBox：基于后端状态验证 AI Agent 可靠性的新基准
微软和 Hugging Face 联合推出 ThinkingBox，这是一个用于评估 AI Agent 可靠性的新基准和环境。它不依赖模型的最终文本回复或工具调用记录，而是直接检查任务执行后留下的后端数据库状态和副作用（如工单是否真正关闭、退款是否到账）。
推荐理由：微软与 Hugging Face 联合发布 ThinkingBox，通过检查后端数据库状态而非仅看模型回复来评估 Agent 的可靠性，并提供了可复现的基准测试环境。