SRFT 让 LLM 智能体从自身失败中学习，AgentDojo 攻击成功率从 7.59% 降至 1.26%
该工作提出自反思微调（SRFT）：在干净专家轨迹中注入攻击指令，让智能体在受攻击上下文中采样自身可能失败的动作，再由专家模型生成对比安全与最优动作的结构化反思推理，用该反思监督微调智能体；在 Llama-3.1-8B-Instruct 与 Qwen3-8B 上实例化为 SR-Agent，AgentDojo 攻击成功率分别从 7.59% 降至 1.26%、从 16.97% 降至 1.05%，并在 RL-Hammer 自适应攻击下保持较低攻击成功率。