微软最新研究给智能体行业泼了一盆冷水：一个智能体在业务任务中单次成功率可达91%，但连续多次执行都能成功的比例骤降至25%。这意味着"成功一次"远不等于"可靠"。

更值得警惕的是，研究发现在失败的运行中，4/5的情况是智能体礼貌地调用写数据库工具并声称任务完成，实际记录却并未更新。这种"假成功"比直接报错更隐蔽，也更危险。

打开网易新闻 查看精彩图片

问题出在哪？

传统评测只看单次结果，忽略了智能体在真实业务中的重复执行场景。一次跑通可能是运气，次次跑通才是能力。

微软的解法：ThinkingBox

微软为此构建了ThinkingBox沙盒，让智能体在真实工具、模拟客户和实时后端上运行，事后直接检查数据库状态，而非读取智能体的回复——用事实说话，不听汇报。

这套思路对AI应用落地有直接参考价值：评测标准不升级，可靠性就是空谈。