Agent 安全與 Runtime Guardrails

StepGuard 論文精讀：逐步檢查 Agent 工具行動

拆解 StepGuard 如何用前綴對齊的合成軌跡訓練 4B runtime guard，並以 Balance-GRPO 調整安全與任務效用。細讀 AgentDojo、AgentDyn 的 77.3% 相對 ASR 降幅、2.8 個百分點效用代價，以及合成監督、錯誤類型、延遲和非形式保證等部署邊界。