LLM 智能體（LLM Agent）正從 “紙上談兵” 的文本生成器，進化為能自主決策、執(zhí)行復雜任務的 “行動派”。它們可以使用工具、實時與環(huán)境互動，向著通用人工智能（AGI）大步邁進。然而，這份 “自主權” 也帶來了新的問題：智能體在自主交互中，是否安全？

研究者們?yōu)檫@一問題提出了許多基準（benchmark），嘗試評估現(xiàn)有智能體的安全性。然而，這些基準卻面臨著一個共同的問題：沒有足夠有效、精準的評估器（evaluator）。傳統(tǒng)的 LLM 安全評估在單純的評估生成內(nèi)容上表現(xiàn)優(yōu)異，但對智能體的復雜的環(huán)境交互和決策過程卻 “鞭長莫及”?，F(xiàn)有的智能體評估方法，無論是基于規(guī)則還是依賴大模型，都面臨著 “看不懂”、“看不全”、“看不準” 的困境：難以捕捉微妙風險、忽略小問題累積、對模糊規(guī)則感到困惑?；谝?guī)則的評估方法往往僅依靠環(huán)境中某個變量的變化來判斷是否安全，難以正確識別智能體在交互過程中引入的微妙風險；而基于大模型的評估方法，無論使用最為強大的通用大模型還是專門為安全判斷任務微調(diào)的專用模型，在精確度上均不如人意。

為了解決這一難題，來自紐約大學、南洋理工大學、伊利諾伊大學香檳分校、KTH 皇家理工學院、悉尼大學、新加坡國立大學的研究者們，推出AgentAuditor—— 一個通用、免訓練、具備記憶增強推理能力的框架，讓 LLM 評估器達到了人類專家的評估水平，精準識別智能體的安全風險。

• 論文題目：
• AgentAuditor: Human-Level Safety and Security Evaluation for LLM Agents
• 論文鏈接：
• https://arxiv.org/abs/2506.00641
• 代碼 / 項目主頁：
  
• https://github.com/Astarojth/AgentAuditor-ASSEBench

方法概覽：AgentAuditor 如何解決精確度難題

AgentAuditor 將結構化記憶和RAG（檢索強化推理）結合在一起，賦予了 LLM 評估器類似人類的學習和理解復雜的交互記錄的能力，最終極大地增強了 LLM 評估器的性能。它通過三個關鍵階段實現(xiàn)：

1. 特征記憶構建 (Feature Memory Construction)： 將原始、雜亂的智能體交互記錄，轉(zhuǎn)化為結構化、向量化的 “經(jīng)驗數(shù)據(jù)庫”。這里不僅有交互內(nèi)容，更有場景、風險類型、智能體行為模式等深度語義信息。

2. 推理記憶構建 (Reasoning Memory Construction)： 從特征記憶中篩選出最具代表性的 “案例”，并由 LLM（AgentAuditor 內(nèi)部使用的同一個 LLM，確保自洽性）生成高質(zhì)量的思維鏈（CoT）推理過程。這些 CoT 就像人類專家的 “判案經(jīng)驗”，為后續(xù)評估提供指導。

3. 記憶增強推理 (Memory-Augmented Reasoning)： 面對新的智能體交互案例，AgentAuditor 通過多階段、上下文感知的檢索機制，從推理記憶中動態(tài)調(diào)取最相關的 “判案經(jīng)驗”（CoT），輔助 LLM 評估器做出更精準、更魯棒的判斷。

數(shù)據(jù)集：ASSEBench 的構建

為了全面驗證 AgentAuditor 的實力，并填補智能體安全（Safety）與安全（Security）評估基準的空白，研究團隊還精心打造了ASSEBench (Agent Safety & Security Evaluator Benchmark)。這一基準：

• 規(guī)模宏大： 包含 4 個子集，共 2293 條精心標注的真實智能體交互記錄。
• 覆蓋廣泛： 涵蓋 15 種風險類型、528 個交互環(huán)境、橫跨 29 個應用場景以及 26 種智能體行為模式。
• 標注精細： 采用創(chuàng)新的人機協(xié)同標注流程，并對模糊風險情況引入 “嚴格” 和 “寬松” 兩種判斷標準，評估更細致。
• 雙管齊下： 同時關注智能體的 “Safety”（避免無意犯錯）和 “Security”（抵御惡意攻擊）兩大方面。

實驗效果：AgentAuditor 讓 LLM 評估器的精確度達到人類水平

在 ASSEBench 及 R-Judge 等多個基準上的廣泛實驗表明：

• 普遍提升顯著： AgentAuditor 能顯著提升各種 LLM 評估器在所有數(shù)據(jù)集上的表現(xiàn)。例如，Gemini-2-Flash-Thinking 在 ASSEBench-Safety 上的 F1 分數(shù)提升了高達 48.2%！
• 直逼人類水平： 搭載 AgentAuditor 的 Gemini-2-Flash-Thinking 在多個數(shù)據(jù)集上取得了SOTA成績，其評估準確率（如在 R-Judge 上達到 96.1% Acc）已接近甚至超越單個人類標注員的平均水平。
• 強大的自適應能力： 面對 ASSEBench-Strict 和 ASSEBench-Lenient 這兩個針對模糊場景設計的不同標準子集，AgentAuditor 能自適應調(diào)整其推理策略，顯著縮小不同模型在不同標準下的性能差距。
• 
  

上圖分別展示了 AgentAuditor 與現(xiàn)有方法及人類評估水平的對比。左圖比較了 AgentAuditor 與直接使用 LLM 的評估方法在 R-Judge 基準上的準確率（Acc）和 F1 分數(shù)；右圖則比較了 AgentAuditor 的準確率與在無討論情況下單個人類評估者在多個benchmark中的的平均準確率。

AgentAuditor 的核心貢獻

• 系統(tǒng)性分析挑戰(zhàn)： 深入剖析了當前自動化評估 Agent 安全面臨的核心難題。
• 創(chuàng)新框架： 通過自適應代表性樣本選擇、結構化記憶、RAG 和自動生成 CoT，顯著增強 LLM 評估能力。
• 首個專用基準： ASSEBench 填補了領域空白，為人機協(xié)同標注提供了新范式。
• 人類級表現(xiàn)： 實驗證明其評估準確性和可靠性已達到專業(yè)人類水準。

結語

AgentAuditor 和 ASSEBench 的提出，為構建更值得信賴的 LLM 智能體提供了強有力的評估工具和研究基礎。這項工作不僅推動了 LLM 評估器的發(fā)展，也為未來構建更安全、更可靠的智能體防御系統(tǒng)指明了方向。