微软与 Hugging Face 发布 Agent 评测框架 ThinkingBox

2026 年 10 月 4 日的一篇报道提到，微软与 Hugging Face 通过一篇联合博客文章发布了 Agent 评测框架 ThinkingBox。该框架的核心思路是：不看 AI Agent 在最终回复里说了什么，而是检查它实际写入数据库的结果，以此作为评判依据。报道没有说明这篇文章的发布时间，也没有给出框架的版本号或开源情况。

报道用来说明这一思路的例子是一个处理快递延迟的客服 Agent。它在这项任务中做了九次工具调用，正确读取了退款政策，并把工单标记为已解决。但按照 ThinkingBox 的评判方式，这个结果是错的：快递异常本身并没有被关闭，因此工单本不该结案。

截至这篇报道，事件停在框架刚刚公布的阶段，材料中只有微软与 Hugging Face 的这一篇联合博客文章作为来源，没有关于评测基准数据、参与机构数量或后续更新的信息。