智能体说完成了，数据库说没有
深度Hugging Face2026年10月3日8 分钟阅读
微软和 Hugging Face 联合发布 ThinkingBox 基准测试，不看智能体说了什么，只看它在数据库里留下了什么。在 507 个有状态业务流程上各跑 20 次后发现：很多任务能成功一次，却无法稳定复现。
本文编译自 The Agent Said It Was Done. The Database Disagreed.，版权归原作者所有。
觉得有用？分享给更多人
相关文章
Goodfire 推出一种新型 AI 智能体监控方案，通过探针读取模型内部激活信号而非重读输出，在 Kimi K3 测试中监控约 1500 次会话仅需 51 美元，远低于传统方案的 233 至 10000 美元，同时捕获 94% 的恶意黑客会话。该技术已通过 Baseten 向客户提供，针对开源模型缺乏安全护栏的问题。
深度·10月8日·4 分钟
作者把自己的 Azure 凭证交给编程 Agent，实测了鉴权、授权、权限范围和审计覆盖的真实状态。借来的凭证让审计日志只认人不认 Agent，还悄悄继承了人累积的组权限（而标准权限检查根本看不到这些）。即使换成配置规范的服务账号，问题依然存在：数据库无法区分调用者是谁。
深度The New Stack·10月8日·12 分钟