沟通风格变化破坏邮件智能体检索与执行鲁棒性

该论文通过构建五种沟通风格轴线和四种方言条件变体，测试了 RAG 管道和两个工具使用智能体在请求信息、证据和预期结果固定但表达方式改变时的表现。研究发现间接请求在所有三个基准上均降低性能，而正式请求则降低了两个智能体基准的性能，表明仅凭回答正确无法确立鲁棒性。 深入分析显示失败原因存在差异：冗长请求主要通过使相关邮件更难被找到来损害词汇检索器；而间接和方言变体即使在成功检索到相关邮件后仍有害。在智能体设置中，间接和正式请求主要导致智能体遗漏所需操作，而非采取更多无支持的操作。这一发现挑战了当前基准测试通常只使用单一规范请求的评估范式。 事实层面，论文已提交至 NeurIPS 2026 Workshop on Evaluation of Interactive Agents 并被接受。推断层面，这意味着现有评估体系可能高估了智能体在实际多变沟通场景中的可靠性，特别是对于需要精确执行任务的 Agent 应用。猜测层面，未来评估标准可能需要强制引入多变的请求表达形式作为核心指标，以区分检索失败与执行遗漏的不同机制。