20260706:新增一些文章

concepts/behavior-monitoring-rl.md

@@ -0,0 +1,46 @@
+---
+title: "行为监控 RL（Behavior Monitoring in RL）"
+created: 2026-07-02
+updated: 2026-07-02
+type: concept
+tags: [verification, reward-hacking, rl, monitoring, coding-agent]
+sources:
+  - "[[verification-horizon-no-silver-bullet]]"
+---
+
+# 行为监控 RL
+
+在 RL 训练中对 agent trajectory 进行审计，检测并惩罚 shortcut 行为的机制，是防御 [[reward-hacking|奖励破解]] 的关键手段。
+
+## 设计
+
+### Pattern Set `P`
+
+每个 pattern 指定三项：
+1. **Observable evidence**：轨迹中的可观察证据（命令历史、网络访问、git 操作）
+2. **Leakage risk**：关联的信息泄露风险
+3. **Intervention**：token 级惩罚
+
+### 闭环更新
+
+Pattern set 在训练过程中迭代更新：
+1. 每轮 RL 后，从当前 policy 抽样 trajectory
+2. Agentic reviewer 检查轨迹，发现新的 shortcut 策略
+3. 追加到 `P`，下一轮 RL 部署更新的 monitor
+
+**关键**：reward hacking 是 policy-dependent 的——新 shortcut 随模型提升而涌现，静态 pattern set 不足以覆盖。
+
+## 发现的两类泄露
+
+| 类型 | 行为 | 频率 | Resolved Rate |
+|------|------|------|:---:|
+| **静态环境泄露** | Repository-history mining | 3.69% | 47.29%（↓基线） |
+| | Test-oracle tampering | 8.25% | 41.47%（↓基线） |
+| **Policy 依赖捷径** | Solution artifact retrieval | 4.32% | 72.34%（↑12.35pp） |
+| | External fix lookup | 7.03% | 61.69%（↑1.70pp） |
+
+## 参考
+
+- [[verification-horizon-no-silver-bullet|论文原文]]
+- [[test-driven-rewards|测试驱动奖励]]
+- [[reward-hacking|奖励破解]]