Agent行为地图：不运行模型也能预判智能体表现
行为地图仅用参考轨迹对数似然定位LLM智能体，无需运行即可预判行为。
论文提出“行为地图”方法，将LLM与harness的组合视为整体，仅通过其在共享参考轨迹上每一步动作的中心化对数似然构建低维坐标，从而在不运行目标智能体的情况下刻画其行为特征。研究推导了坐标平方距离与轨迹KL散度之间的误差界，并在八个交叉评分模型上验证排序一致。在100个LLM和四个环境（包括ALFWorld）中的实验表明，坐标能支持性能预测并识别行为相似模型，且这种相似性在控制成功率和模型规模后依然存在，甚至跨越模型家族。此外，harness组件替换带来的行为位移可近似复合，但准确性因组件和环境而异。该方法为低成本行为预筛选提供了新工具，但误差界依赖显式假设，向开放环境迁移仍需进一步研究。
为什么需要不运行模型就能预判Agent行为？
LLM智能体的评估通常依赖在真实环境中运行完整任务。成本高、耗时长，而且不同模型即使成功率相近，实际采取的行动序列也可能大相径庭。据论文《Agent Behavior Maps: Locating Agents by What They Would Do, Without Running Them》提出，可以用一种「行为地图」的方式，在不启动目标智能体的情况下刻画其行为特征——仅通过其在共享参考轨迹上的动作对数似然来定位模型。
这一思路的核心在于：把LLM与harness的组合视为一个整体，用其在若干标准轨迹上的条件概率分布作为坐标，构建一个低维的行为空间。
行为地图的构建方法与理论依据
共享参考轨迹上的中心化对数似然
研究者为每个LLM-harness组合计算其在共享参考轨迹上每一步动作的中心化对数似然。中心化是为了消除不同轨迹本身难度的差异，使得坐标更能反映模型的行为倾向而非任务难度。这样每个智能体就在行为空间中对应一个点，无需在目标环境中做任何rollout。
对数似然与中心化：在语言模型中，给定前文上下文，模型对下一个动作（如“打开冰箱”）会输出一个条件概率，取对数即得对数似然，数值越大表示模型越倾向于采取该动作。中心化是指对每条参考轨迹内所有步骤的对数似然减去该轨迹的平均对数似然，从而消除轨迹本身难度差异（例如某些任务步骤天然更难预测），使坐标纯粹反映模型的行为偏好。
与轨迹KL的误差界
论文在显式假设下推导了坐标平方距离与轨迹KL散度之间的误差界。这意味着行为地图上的欧氏距离，理论上与真实的轨迹分布差异挂钩。在八个交叉评分的模型上，这些距离与直接测量的轨迹KL在排序上保持一致，为方法提供了实证支撑。
KL散度：Kullback-Leibler散度衡量两个概率分布之间的差异，在强化学习和模仿学习中常用于比较策略分布。轨迹KL散度即两个智能体在完整轨迹空间上行为分布的KL差异，值越小表示行为越相似。本文推导的误差界表明，行为地图上两点间的欧氏距离平方与轨迹KL散度之间存在上下界关系，从而为用坐标距离近似行为差异提供了理论保证。
大规模验证：100个LLM、四个环境
研究者在100个LLM和四个环境中验证了该方法。基于ALFWorld的坐标能够支持性能预测，并识别出行为相似的模型。说个细节，在ALFWorld中，这些相似性在控制成功率与模型规模之后依然存在，甚至跨越不同模型家族。
这说明行为地图捕捉到的并非单纯「强模型聚在一起」或「同家族模型聚在一起」，而是某种更细粒度的行为模式。据原文数据，跨八个交叉评分模型的距离排序与轨迹KL一致，为坐标的语义有效性提供了直接证据。
ALFWorld：一个面向具身智能体的文本交互环境，包含厨房、客厅等六类场景，任务要求智能体通过导航、拾取、放置等动作完成家务目标（如“把苹果放进冰箱”）。它常被用于评估LLM在长序列决策中的规划与执行能力。本文以ALFWorld作为主要验证环境之一，因其任务结构清晰且动作空间离散，便于计算动作对数似然。
扩展：Harness组件的位移可近似复合
作为延伸，论文考察了harness组件的位移是否可近似复合。结果显示，组件替换带来的行为位移在一定程度上可以叠加，但准确性因组件和环境而异。这为理解harness设计对智能体行为的影响提供了新视角——改动某个组件会如何移动模型在行为地图上的位置，或许可以提前估算。
Harness：指包裹在LLM外围、负责解析模型输出、管理工具调用、维护记忆或执行动作的工程框架，例如ReAct、AutoGPT等。同一LLM搭配不同harness会表现出截然不同的行为序列。本文把LLM与harness视为一个整体智能体，因此harness组件的替换会在行为地图上产生“位移”；位移可近似复合，意味着多个组件单独替换造成的位移向量可以叠加，从而估算组合替换后的整体行为变化。
实践意义与局限
对AI应用开发者而言，行为地图提供了一种低成本的行为预筛选手段：在部署前就能判断某模型在特定任务上的行为倾向，而不必跑完整评测。对研究者而言，它把「行为相似性」从定性描述变成了可度量的坐标距离。
局限也很明显：误差界的成立依赖显式假设，位移复合的准确性在不同组件与环境下波动较大，方法目前主要在ALFWorld等环境中验证，向更开放环境的迁移仍需进一步研究。
常见问题
行为地图需要运行目标智能体吗？ 不需要。它只使用目标模型在共享参考轨迹上的动作对数似然，不要求目标智能体在环境中做rollout。
坐标距离和轨迹KL是什么关系？ 论文推导的误差界表明坐标平方距离与轨迹KL相关，且八个交叉评分模型的排序一致。
行为相似性只是成功率或模型规模的反映吗？ 在ALFWorld中控制成功率与模型规模后相似性依然存在，说明它捕捉了额外的行为信息。
相关推荐
Workbuddy零基础入门：桌面AI智能体如何落地工作流
Workbuddy桌面AI智能体零基础教程解读：从安装、积分领取到文件管理与自动化工作流搭建，对比CodeX的适用场景与成本差异，帮助职场人完成从AI提问者到AI管理者的思维转变。
OpenAI智能体新栈：计算机操作、决策API与超速工作流
OpenAI Dev Day发布智能体新栈：Computer Use操作速度超越普通人，Decisions API基于Luna实现极低延迟分类，Agents API开放同源计算机操作能力，GPT-6.1 Sol成本仅为Astra七分之一。本文梳理核心更新、实测数据与开发者落地要点。
梁文峰开源推理框架DeepInfo，硬刚美国禁令
DeepSeek在开源模型后再开源推理框架DeepInfo，包含GPU/CPU交叉流水线、小模型预判大模型复核、华为昇腾与英伟达芯片全面适配等技术，直面美国联邦禁令。本文解析其对AI产业落地的意义与开源策略。