# 上下文赌博机

智能体工作流的选择被改写成上下文老虎机问题：在五个基准上平均分达到81.37%，MATH上训练阶段token开销至少降低40.55%。

智能体工作流的选择被改写成上下文老虎机问题：在五个基准上平均分达到81.37%，MATH上训练阶段token开销至少降低40.55%。

智能体调用外部工具时，检索环节此前只按语义相关性排序，无法反映工具在运行中是否可用。RATED把冻结的双编码器语义匹配与一个轻量上下文赌博机结合，用每次执行的成功或失败反馈在线重排候选工具。在30%故障注入下，故障选择率从ToolLLM API检索器的86.2%降到2.9%，每步仅增加0.172毫秒延迟。

智能体调用外部工具时，检索环节此前只按语义相关性排序，无法反映工具在运行中是否可用。RATED把冻结的双编码器语义匹配与一个轻量上下文赌博机结合，用每次执行的成功或失败反馈在线重排候选工具。在30%故障注入下，故障选择率从ToolLLM API检索器的86.2%降到2.9%，每步仅增加0.172毫秒延迟。

该工作提出 Trident——一个由动态基准（含 CybORG CAGE 4 与 CyberWheel 的隔离沙箱服务器）、超过 13,000 条高保真红蓝交互轨迹数据集，以及“Code-as-Policy”RLVR 智能体架构（Trident Agentic）组成的智能体化 LLM 红队框架；其中 Trident Agentic 通过 Log Summarizer—Planner—Coder 三方设计把红方训练重构为上下文赌博机，由可训练 Planner 从压缩执行日志生成完整攻击策略、由冻结 Coder 翻译为可执行 Python 策略并部署对抗实时 DRL 防御方；实证评估显示，仅用一个可训练 7B 规划器，Trident 相比静态红方基线使蓝方

该工作提出 Trident——一个由动态基准（含 CybORG CAGE 4 与 CyberWheel 的隔离沙箱服务器）、超过 13,000 条高保真红蓝交互轨迹数据集，以及“Code-as-Policy”RLVR 智能体架构（Trident Agentic）组成的智能体化 LLM 红队框架；其中 Trident Agentic 通过 Log Summarizer—Planner—Coder 三方设计把红方训练重构为上下文赌博机，由可训练 Planner 从压缩执行日志生成完整攻击策略、由冻结 Coder 翻译为可执行 Python 策略并部署对抗实时 DRL 防御方；实证评估显示，仅用一个可训练 7B 规划器，Trident 相比静态红方基线使蓝方