从真实执行轨迹分析LLM Agent的稳定行为特征

用户越来越多地将不同的人工智能Agent描述为可以一起工作的不同同事。人工智能个性研究旨在通过将类似人类的“特征”归因于Agent来量化这种印象。然而，现有的衡量标准存在不足：模型的自我报告（S 数据）与其实际行为存在偏差，而LLM评审的外部知情者评级（I 数据）的扩展成本高昂，而且很少涵盖日常场景。在本文中，我们提出 A-B-D 从行为数据（B 数据）中自下而上地推断特征，即Agent如何在其环境中行动并与用户进行通信，如现有轨迹中记录的那样。从跨越 80 个模型、12 个任务和 50个Harness的 345,667 个现实世界轨迹中，我们提取了 318 个候选特征，这些特征捕获了Agent在每个步骤中采取的动作（功能）和伴随这些动作的语言（语言）。我们仅保留显示实例级稳定性、跨任务一致性和模型可辨别性的特征。对其余 79 个特征的因子分析揭示了 6 个稳定的、模型可归因的因子，其中两个是功能性的，四个是语言性的。例如，Kimi-K3 表现出最具计划性，而 GPT-5.5 和 GPT-5.6 则表现出最不活跃的状态。此外，我们量化了野外的“知识-行动差距”：这些因素与自我报告的大五分数的相关性很弱，即使对于概念上匹配的配对，例如外向性和精力充沛（r = 0.07，p = 0.58）。我们的工作为理解人工智能个性提供了一个新的视角，对计算机科学和社会科学的用户、开发人员和研究人员都有影响。