北京
分享至
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。
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。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
