微软 ThinkingBox 开源：不信 agent 的嘴，只查数据库的真实变更
SergioPaniego · x · 2026-10-05
微软的 ThinkingBox 现已作为 OpenEnv 环境开放。它是测试 agent 处理企业业务流程的沙箱：模拟一位客户、通过 MCP 工具让 agent 操作真实数据库，最后检查数据库里实际发生了什么变更，而不是相信 agent 最后的汇报文本。
配套的 ThinkingBox-Bench 包含 507 个任务，覆盖零售、保险、旅游、银行与咨询行业。每个任务作为独立 episode 在隔离后端运行，并基于后端状态检查返回 pass/fail 奖励。
HF 博客举了一个例子：agent 打了九次工具调用、流程看似规范地关了工单，但承运商异常仍未解决、客户也没得到真正答案——「agent 说它做完了，数据库不同意」正是该基准要抓的差距。
「编程与Agent」频道最新
- 开发者自制彩色进度板，可视化 agent 长时运行全程 — kevinkern · 2026-10-05
- 开源安全模型 Security-One 发布：27B 权重，专为智能体安全决策设计 — huggingface · 2026-10-05
- 一小时提示词拼出 3D 游戏场景，展示 GPT Sol 6.1 能力上限 — aitrendz_xyz · 2026-10-05
- GPT-6.1 Sol 搭 Three.js:一周做出可在线试玩的完整游戏 — aitrendz_xyz · 2026-10-05
- Codex 加 Mesh Avatar Studio:一张画秒变可对话 Live2D 风格虚拟主播 — aitrendz_xyz · 2026-10-05
- 开源 Watchtower 发布：自托管错误追踪，可平替 Sentry — emeka_boris · 2026-10-05