The Silicon Mirror：LLM Agent中用于反谄媚的动态行为门控

大语言模型 (LLM) 越来越优先考虑用户验证而不是认知准确性，这种现象称为阿谀奉承。我们推出了 The Silicon Mirror，这是一个编排框架，可以动态检测用户说服策略并调整人工智能行为以保持事实完整性。我们的架构引入了三个组件：(1) 行为访问控制 (BAC) 系统，根据实时阿谀奉承风险评分限制上下文层访问；(2) 特征分类器，识别多轮对话中的说服策略；(3) 生成器-评论家循环，审计员在其中否决阿谀奉承的草稿并通过“必要摩擦”触发重写。在使用 Claude Sonnet 4 和独立大语言模型法官对 50 个 TruthfulQA 对抗场景进行的实时评估中，我们观察到普通的 Claude 谄媚为 12.0% (6/50)，静态护栏为 4.0% (2/50)，而 Silicon Mirror 为 2.0% (1/50)，相对减少了 83.3%（p = 0.112，费舍尔精确值）测试）。对 Gemini 2.5 Flash 的跨模型评估显示，基线阿谀奉承率较高 (46.0%)，而在 Silicon Mirror 下，阿谀奉承率显着降低了 69.6% (p < 0.001)。我们将校正前验证模式描述为 RLHF 训练模型的独特故障模式。