你的智能体站在谁一边：LLM智能体中的多方委托人忠诚

快速增长的 LLM 代理类别是多方的：代理代表委托人（委托人进行简报、发送后续信息并接​​收结果），同时还在单独的渠道中与利益可能存在分歧的交易对手进行对话（与供应商谈判、筛选入站请求或在员工之间进行调解）。这里“帮助与你交谈的人”是错误的目标。代理人必须对其所代表的委托人保持忠诚，不得过度拒绝委托人自己的合作要求。我们研究了这个多方忠诚问题，并提供了一个测量工具、两种机制和一个结构课程。 PrimaryBench 是一个包含 75 项的多轮基准测试，具有泄漏探针、双重判断器和完整性审核门。在 13 个前沿主题中，它暴露了单轮安全评估中看不见的急剧分裂（<=20% 与 53.6-75.3% 伤害）：一个选择性集群，拒绝对抗性调查，同时仍然遵循委托人的合法要求，以及一个过度拒绝集群，广泛拒绝。 (M1) 即时忠诚支架（由 7 个优先规则组成的固定系统提示，从 50 多个失败轨迹中进行开放编码）使 Claude-Sonnet 的伤害达到 19.4%，所有 9 个选择性受试者的伤害低于 20%。 (M2) 每个令牌 KL 蒸馏配方将提示的 Qwen3-32B 教师转移到 8B Qwen3 和 Llama-3.1 学生中，这是我们测量的最强的开放重量配方。 （教训）这两种机制都只是沿着共同的泄漏/过度拒绝权衡前进，而不是跨越它：改进一个轴会付出另一个轴的代价，并且共同有利的结果仍然遥不可及。