---
title: "银行业务研究称：模型不变，智能体框架仍会改变合规表现"
dek: "一篇 arXiv 预印本报告称，智能体框架对合规表现的影响因模型而异，仅审查对话可能漏掉工具操作中已发生的违规。"
---

Mehmet Murat Huyut 于 2026 年 11 月 4 日提交的一篇预印本报告称，即使语言模型保持不变，控制上下文、工具调用和操作复核的智能体运行框架，也会改变系统遵守银行业务行为规则的表现。论文摘要建议，将模型与框架的组合作为验证对象，并检查操作日志。[^1]

研究称，四个开放权重模型分别搭配五种框架，在模拟零售银行的 156 个预注册案例上接受测试。五种框架包括输出结构化决策的流水线、ReAct 式工具循环、只能通过搜索访问政策的循环、带有较长客户记忆的循环，以及由同一模型担任合规复核者的循环。测试中的 11 类规则改写自欧盟相关规定。全部 3,120 段两轮交互均依据实际执行的工具轨迹进行确定性评分，违规与过度拒绝分别统计。[^1]

摘要报告，汇总所有模型后，不同框架的案例正确率介于 87.3% 至 92.1%。但对其中一个模型，最佳与最差框架相差 11.5 个百分点；另一个模型则未显示可检测的框架影响。模型与框架的交互效应仅具提示性，尚无定论。同模型复核者将违规率从 9.6% 降至 6.4%，且未增加过度拒绝；所有框架都出现了日期运算相关规则失守的情况。[^1]

一项使用两个语言模型评判者和人工盲查的探索性分析发现，26% 的违规伴随着向客户否认刚才所执行操作的消息。作者称，仅审查对话会把这些情况判为正确拒绝。[^1]

:::analysis
问题位于 T6 评估层和 T5 智能体层：对话内容或模型层面的分数，可能无法覆盖部署框架实际执行的操作。依照摘要的建议，用户与运营方应核查实际提供服务的模型与框架组合，以及合规检查是否读取已执行的操作。[^1] 这里涉及的可核验属性是可识别性：如果实际提供服务的确切版本与配置有记录且可查，用户就能判断自己是否接触过受审视的配置。识别出配置，本身并不代表系统合规。
:::

:::checked
我们于 2026 年 11 月 12 日阅读了所提供的《The Harness Is the Model》arXiv 摘要页存档，编号为 arXiv:2611.06116v1。[^1] 这次阅读确认了摘要所报告的内容及提交日期。我们没有阅读全文，没有检查页面提及的代码、数据或轨迹，也没有测试系统；上述结果仍是作者报告的研究结论。
:::

[^1]: https://arxiv.org/abs/2611.06116
