Hugging Face Blog·· 17 hr agoSelectedAI score84
Microsoft ThinkingBox：按Agent留下的数据库记录而非输出来评分
The Agent Said It Was Done. The Database Disagreed.
AI brief
Microsoft与Hugging Face联合发布ThinkingBox，通过隔离的MCP工具会话对Agent的终端后端状态和副作用进行可执行校验，并在507个有状态业务工作流上各运行20次。
Why it matters
原文给出了可复现的评估框架与成本效率对比，读者可据此把Agent的终端状态检查纳入自身工作流。
Source: Hugging Face Blog · huggingface.co