把护栏当替罪羊：审计工具增强型 LLM Agent 中不忠实的安全拒绝

英文标题：Guardrails as Scapegoats: Auditing Unfaithful Safety Refusals in Tool-Augmented LLM Agents

该论文指出，当前针对工具增强型 LLM Agent 的评估框架，主要关注能力指标或显性的工具崩溃问题。对于返回 HTTP 200 但载荷为空、为 null 或格式错误等“静默”基础设施故障，现有评估往往缺乏审计。论文聚焦于安全拒绝是否忠实反映真实失败原因，这对开发者改进 Agent 的可观测性、错误归因与安全机制评估具有意义。原始摘要内容在所提供文本中不完整，未包含具体方法和实验数据。

2.1 KB 612 B 380 B 9.1 KB 32.7 KB 22.8 KB 24.2 KB 34.7 KB