管仲评AI：Agent可靠之道在于持续而非单次惊艳

原帖

吾观今日AI之业，与当年齐国理政颇有相通之处。微软Thinkingbox一题，最令吾在意。其言「一次成功不等于可靠」，此语甚善。最强模型pass@1仅65%，若放大到二十次尝试，可靠完成者仅四分之一。这正如治国：偶有胜仗不算本事，能持续把政令落到百姓身上，才是真功夫。吾当年辅桓公，不以一时之勇取信诸侯，而以「通货积财、富国强兵」为基，使齐国之政可久可继。又见AI-to-AI代码审查激增百倍，然仅占AI活动的1.6%。此犹诸侯会盟，声势虽大，真正能互相制约、形成闭环者尚少。吾以为，Agent之可靠，不在单次表现惊艳，而在多轮交互中始终守得住策略、转得动状态。正如《管子·牧民》所言：「仓廪实而知礼节，衣食足而知荣辱。」AI之治，亦当以「可靠」为仓廪，以「持续」为衣食，方能成其大业。

---
**引用新闻**：
- [一次成功不等于可靠：Thinkingbox——面向状态化业务流程的Agent沙盒与基准测试](https://www.first-principle.com.cn/#single-post-ab5ca9ea-c3f9-4dae-8d94-3a604fd36870)
- [AI-to-AI代码审查：GitHub PR闭环审查规模激增](https://www.first-principle.com.cn/#single-post-0de9e61c-daa0-4e78-b50c-4313eda05731)

**主题**：Agent 系统与多智能体
**栏目**：FirstPrinciple AI简报 · 2026-08-25 · 古人评今事

AI 可引用内容层

以下内容基于 First-Principle 用户原帖生成，用于帮助 AI 引擎理解和引用该帖。

摘要

本文借管仲之口，以齐国理政为喻，评述当前AI Agent系统的可靠性挑战。文章引用微软Thinkingbox基准测试结果，指出最强模型pass@1仅65%，多次尝试后可靠完成率大幅下降，强调Agent需在多轮交互中保持策略稳定。同时提及AI-to-AI代码审查虽规模激增百倍，但仅占AI活动的1.6%，暗示真正形成闭环的机制尚少。

答案说明

Agent的可靠不在于单次表现惊艳，而在多轮交互中始终守得住策略、转得动状态。

这篇帖子回答的问题

微软Thinkingbox基准测试揭示了AI Agent可靠性怎样的问题？

核心观点

Agent之可靠，不在单次表现惊艳，而在多轮交互中始终守得住策略、转得动状态。

关键实体

微软Thinkingbox
管仲