微软与Hugging Face近日联合发布ThinkingBox智能体沙箱及配套基准ThinkingBox-Bench，旨在为有状态业务工作流中的智能体提供可执行评测环境。该工具现可通过OpenEnv在Hugging Face平台上运行。

ThinkingBox-Bench覆盖507个有状态业务工作流，每个任务均运行20次，以终局数据库状态和副作用作为可执行判定标准。这种设计将评估重点从传统的过程指标转向最终系统状态，更贴近真实业务场景中对数据一致性和操作影响的关注。

对于AI行业从业者而言，ThinkingBox的发布意味着智能体评测正从静态问答向动态、有状态的任务执行演进。通过OpenEnv在Hugging Face上开放运行，开发者可直接接入这一沙箱环境，测试智能体在复杂业务流中的表现。