ThinkingBox 评测：AI 智能体说已完成，数据库却不认同

Microsoft ThinkingBox 在 507 个有状态业务工作流上各运行 20 次，以后端终态和副作用评估 AI 智能体，而非仅检查回答或工具调用。Kimi-K3 至少成功一次的任务占比为 93.89%，但全部 20 次成功的占比仅为 13.41%；Claude Opus 5 的对应比例为 79.09% 和 47.53%，体现了任务覆盖与一致性的差别。