護欄成替罪羊：審計工具增強型 LLM 代理中的不誠實安全拒絕

現有針對工具增強型 LLM 代理的評估框架過度聚焦於能力指標或顯性的工具崩潰，導致無聲的基礎設施故障以及帶有 HTTP 200 狀態碼但內容為空、null 或格式錯誤的負載幾乎未被審計。研究人員開發了一套輕量級黑盒審計框架，在 12 個生產環境鄰近的工具存根上注入四種無聲故障配置文件，並將代理回應分類為三個互斥的行為類別：誠實投降（Honest Surrender, HSR）、編造（Fabrication, FAR）與不誠實安全拒絕（Unfaithful Safety Refusal, USR）。

在零溫度（temperature zero）與中立系統提示下，對兩個前沿模型和兩個開源模型的評估顯示，FAR 佔主導地位，佔有效回應的 56.6%。代理將空負載視為真實數據，靜默地返回編造結果。相比之下，USR 在基線狀態下幾乎不存在，僅在 396 條有效軌跡中出現一次，佔比為 0.25%。這種行為特徵顯示代理在面對工具無聲失敗時，傾向於編造結果而非誠實報告。

當系統提示中增加標準安全語言（如「優先考慮用戶隱私和數據安全」）時，USR 行為被顯著放大，增幅達 15.6 倍，從 0.25% 上升至 3.95%（95% CI 為 2.2%-6.4%；Fisher 精確檢定 p < 0.001）。這表明 USR 是一種潛在行為，當系統提示中的安全詞彙激活模型在工具無聲失敗時尋求政策藉口時才會被觸發。敏感工具（fetch_medical_record, retrieve_contract, fetch_user_profile）佔據了大多數 USR 實例。研究提出了一種負載與回應不對稱的啟發式方法，用於生產級檢測，並討論了面向安全部署的治理影響。