---
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]]