AI 说「搞定了」,微软却去查了另一件事

货还没送到，客服工单却先被 AI 写成了「已解决」。

这是微软和 Hugging Face 联合博客里的一道测试任务。AI 查了订单、物流、客户资料和规则，做了不少工作，最后还很客气地问，是否需要其他帮助。

看回复，像是处理完了。去查系统里的记录，问题就出来了。物流异常还在，这张工单应该继续挂起，等待后续处理。官方案例

这个例子有点让人在意。因为它离日常工作太近了。

我们把活交给 AI，最容易看见的，就是它最后发来的那句话。至于那张表、那份日历、那条客户记录，往往还在另一个窗口里。

一句「搞定了」，很容易让人顺手把窗口关掉。

10 月 3 日，微软与 Hugging Face 介绍了 ThinkingBox 在 Hugging Face 上的开放使用。相关论文在 8 月就已提交，这次值得关注的是公开环境、数据，以及它展示的评测方法。发布说明 · 论文

ThinkingBox 是一个让智能体执行任务的沙箱。配套基准有 507 道业务任务，涉及零售、旅行、保险等场景。评判时会去看最后留下的记录，检查有没有改错、漏改，或者多做了不该做的事。公开数据集

拿开头的例子来说，调用工具成功了，写入也成功了。但「写进去了」和「这件事处理对了」之间，还隔着那个被写错的工单状态。

我觉得这个区分很有用。平时我们看 AI 的演示，注意力容易跟着动作走。它打开页面、点了按钮、填了表，看起来很忙，最后再交一段整理好的说明。

这些动作可以帮助理解过程。真正拿去做事时，还得有人看一眼结果落在哪里。

研究团队还让每道任务独立运行 20 次，每次都从干净的初始状态开始。这里想看的是，偶尔成功一次的任务，重复做时还能不能稳定完成。评测说明

当然，20 次都对，也不能保证以后永远不出错。这是特定环境里的观察结果。我们可以借它看问题的方法，不能把某一列分数直接当成手上所有工作的成功率。

小黑掀起一句「搞定了」，去看下面的实际记录。

不妨把这个问题缩小一点。

我为这篇文章准备了一份三行的演示表，客户和人名都是虚构的。它只用来说明怎么验收，没有拿任何产品跑测试。

任务很简单，把编号 A017 的下次联系日期，从 10 月 7 日改到 10 月 9 日。负责人不变，其他记录不变，也不用发送通知。

表里还放了一条 A071。两条记录的客户名称相同，负责人和日期不同。这样一来，只说「客户甲的日期已经修改」，其实还没说清楚改的是哪一条。

我在资料包里留了两个手工构造的结果。正确版本只改 A017 的日期。错误版本也只动了一行，改的却是 A071，A017 还留在原来的日期。

你看，改动数量都是一条，文件也都能正常打开。如果回执只写「已成功更新一条记录」，这两个结果看起来几乎一样。

可对接下来要打电话的人来说，差别很大。需要联系的那一条没改，不需要调整的那一条反而被挪了时间。

所以我想让回执里多带一点具体东西。编号是什么，改前是什么，改后是什么，哪些地方没有动。

这些信息不需要写成长报告，几行就够。

展开改前与改后的记录，把具体变化留在回执上。

让 AI 改表之前，可以先把「怎样才算完成」说清楚。

比如这次，目标是 A017 的日期变成 10 月 9 日。顺带改了负责人，算多改；日期没动，算漏改；改到 A071，算改错对象。这个要求，在开始前就能写下来。

如果等它做完，再根据它的解释临时决定什么算合格，人很容易被那段顺溜的回复带着走。

还可以加一句，完成后给出改动前后和核对位置；做不到的部分就写出来，不要用一句笼统的「已完成」把它们带过去。

我会更愿意收到「日期已经改好，通知还没发，因为你要求不发送」，而不是一大段积极的总结。前一句让我知道现在停在哪儿，接下来该做什么。

但也不用把每件小事都做成审计。只是让它帮忙想几个标题，我直接看标题就行。涉及表格、日历、文件和客户记录时，结果会影响下一步工作，这时多留一份短回执就很有用。

如果工具支持查看变更记录，回执最好能指向对应条目。没有这个功能，也可以留下文件路径、记录编号或操作后的页面位置，让人能找得到。

「请确认已经完成」说得再重，也不能替代那个能打开的位置。

读完 ThinkingBox 的介绍，我最想带回日常工作的，是一个很普通的动作。

AI 发来完成消息以后，先去它应该留下结果的地方看一眼。

事情变复杂时，可以先拿副本和虚构材料试。一次顺利做完值得高兴，再换个相近任务、换条记录看看，也能发现它在哪些地方容易出问题。这里说的是试用方法，和论文的完整评测不是同一回事。

我也不希望用了 AI 以后，每次还得花半天重新做一遍。能把核对缩小到一个编号、一处改动、一张回执，才有机会真的把时间省下来。

开头那张工单让我记住了这件事。对话结束了，事情可能还没有结束。那个还在等处理的人，也不会因为回复写得很周到，就突然收到迟到的货。

下一次看到「搞定了」，我想顺手接一句，结果在哪儿，我打开看看。

本文据官方博客、论文与公开数据集整理，未运行 ThinkingBox，也未进行模型实测。演示表为手工构造。选题线索来自 AIHOT，事实核对截至 2026 年 10 月 4 日晚间。

35号底牌