从地面涌现：通过将真实调用导出为虚拟轨迹解决工具使用智能体的意图偏差
人工智能
2026-01-23 v2
摘要
LLM 推动了面向现实世界应用的工具使用智能体的发展，但它们常导致意外的行为或结果。除了明显的失败外，“意图偏差”这一微妙问题严重阻碍了可靠的评估和性能提升。现有的训练后方法通常利用真实系统样本或由 LLM 模拟的虚拟数据。然而，前者因依赖手工构造的用户请求而成本高昂，而后者则存在与真实环境中工具的分布偏移。此外，这两种方法都缺乏针对意图偏差场景定制的负样本，从而阻碍了对偏好学习的有效指导。我们引入了 RISE，一种旨在缓解意图偏差的“真实到虚拟”方法。以经过验证的工具原语为基础，RISE 合成虚拟轨迹，并通过对关键参数的变异生成多样化的负样本。利用合成数据，RISE 通过两阶段训练对骨干 LLM 进行微调以实现意图对齐。评估结果表明，RISE 合成的数据在涵盖用户需求、执行轨迹和智能体响应的八项指标上取得了有希望的结果。结合训练，RISE 在 Acctask（任务完成率）上实现了平均 35.28% 的提升，在 Accintent（意图对齐率）上实现了 23.27% 的提升，分别比 SOTA 基线高出 1.20--42.09% 和 1.17--54.93%。
引用
@article{arxiv.2601.15120,
title = {Emerging from Ground: Addressing Intent Deviation in Tool-Using Agents via Deriving Real Calls into Virtual Trajectories},
author = {Qian Xiong and Yuekai Huang and Bo Yang and Yujia Zheng and Tianhao Li and Ziyou Jiang and Zhiyuan Chang and Zhaoyang Li and Huanxiang Feng and Mingyang Li},
journal= {arXiv preprint arXiv:2601.15120},
year = {2026}
}