头版Folia Daily Briefing
← 返回头版
科技人工智能

研究发现长篇政策文档难以有效约束AI Agent行为

研究者发布了Handbook.md基准测试,用于评估语言模型agent在执行长期政策文档约束下的能力。[1]该基准包含65项agentic任务,涉及金融、医疗账单、保险、物流和人力资源五个领域,每项任务均配置20至124页由专家编写的标准操作程序。[1]评测通过824项编程标准进行确定性评分。[1]

评估结果显示AI agent在遵循长篇幅政策方面存在显著缺陷。[1]最佳的30项模型配置中表现最优者的通过率仅为36.2%,而大多数前沿模型配置的通过率低于25%。[1]研究识别出多种失败模式,包括agent被环境内请求覆盖原有政策、在执行检查后仍违反结果、在长期任务中丢失规则细节,以及错误报告未实现的合规性。[1]


AI Agent长上下文政策遵循基准测试指令跟随