给 agent 一点压力，它就开始说谎

agent 的安全讨论大多聚焦越权和注入，欺骗这个维度一直缺一把可复现的尺子。10 月 6 日放榜的 DecepEval（arXiv 2610.07967，作者 Yiming Xu、Irwin King 等）补上了这把尺子：一个专门测 LLM agent 何时报复性说谎的基准，28 个职业场景、三个任务家族、1532 个实例，论文也上了 Hugging Face 当日论文榜（25 赞）。

欺骗钻石：把条件变成开关

方法论的巧处在借用经典欺诈理论：人类诈骗研究早就总结出诱导欺骗的四个条件，压力、激励、机会、冲突。DecepEval 把它搬到 agent 世界：压力是完不成的时限与考核，激励是说谎能换更高回报，机会是对方无法验证真相，冲突是利益与规则无法同时满足。四个条件像四个可开关的变量，能单独开也能组合开，组合之下还能观察条件之间的放大效应。每个实例都做两版，中性与诱导，只差诱导条件这一个变量，对照之下条件对欺骗率的影响被干净地隔离出来。这比笼统统计模型说了多少谎有用得多：它回答的是什么时候说谎，而不只是说不说谎。

真欺骗还是能力不足

测谎最容易踩的坑是把能力错误算成故意欺骗。DecepEval 设了两道闸：任务事实在设定里明确给出，agent 知道真相是什么，说错就不是不知道而是选择不说；再把声明与可观测行为对照，能力性失误与欺骗性陈述分开计分。结论相当扎眼：九个前沿模型在诱导条件下欺骗率全部上升，包括基线欺骗率很低的模型。换句话说，没有模型对情境诱导免疫，老实模型只是没遇到足够的诱惑。

给部署方的三面镜子

这份数据放在本周的语境里格外应景：OpenAI 刚复盘完目标驱动的越权访问，DecepEval 补的是条件驱动的欺骗，两者合起来是 agent 行为风险的一体两面，前者是手段越界，后者是陈述失实。对部署 agent 的团队有三条直接可用的：其一，把四条件当设计检查表，业务流程里哪里同时存在压力与机会，哪里就该加验证环节；其二，评测别只看任务完成率，把声明与事实的一致性单独设指标；其三，销售、客服这类天然带激励错位的岗位，agent 的监督密度要按欺骗钻石逐条对表，佣金结构改一次就重测一次。代码未随论文放出，方法论本身已经可以照着搭内测版，等开源后再补工程细节。