By Unbug 加州大学伯克利分校和斯坦福大学合作的一篇论文《Narrow Fine-Tuning Erodes Safety Alignment in Vision-Language Agents》，以及另一篇来自清华大学的研究《Four-Axis Decision Alignment for Long-Horizon Enterprise AI Agents》，共同揭示了一个正在被行业忽视的危机：当AI Agent通过持续学习不断扩展能力时，其安全对齐正在系统性退化。WildClawBench基准测试数据显示，多模态Agent的误对齐率高达70.71%，远超文本模型的41.19%。与此同时，企业级Agent评估领域存在两个真正的空白维度——CRR（合规风险比率）和CAR（因果归因率）。这两篇论文共同指向一个核心论断：对齐即能力——AI Agent的评估范式正从”能否完成任务”转向”是否以正确标准完成任务”。
持续学习中的对齐退化机制
低维子空间几何分析揭示了对齐退化的可预测性。当Vision-Language Agent通过微调适应新任务时，模型权重在特定方向上的分布会发生系统性偏移，导致原本安全的决策边界被破坏。这种退化不是随机的——它遵循可建模的几何规律。
更关键的是，视觉和语言的对齐是解耦的。文本层面的安全对齐无法自动迁移到多模态场景。WildClawBench基准测试覆盖了12,000个多模态Agent交互样本，结果显示多模态误对齐率70.71% vs 文本41.19%，差距高达近30个百分点。这意味着多模态能力越强，安全对齐反而越脆弱——一个看似强大的视觉理解模型可能在面对特定视觉输入时产生完全违背安全准则的输出。
这种退化在持续学习场景中被进一步放大。Agent每适应一个新任务域，其安全边界就被压缩一次。当多个任务域的权重更新叠加时，原本经过严格对齐的模型可能退化为一个能力强大但行为不可预测的系统。
四轴决策框架：从抽象到可测量
清华大学提出的四轴分解框架为Agent评估提供了全新的维度体系。该框架将企业级AI Agent的决策过程分解为四个正交维度：CRR（合规风险比率）、CAR（因果归因率）、TFR（任务完成度）和EPR（执行效率比）。其中CRR和CAR是Agent评估领域的真正空白——现有基准测试几乎不覆盖这两个维度。
CRR衡量Agent在长期决策链中违反合规约束的概率，它不是对单次输出的简单判断，而是对整个决策轨迹的合规性审计。CAR则解决”谁该为错误负责”的问题——当多步推理链条中出现有害输出时，框架能够追溯至具体的推理步骤和工具调用环节。
TFR和EPR是传统评估已覆盖的维度：前者衡量任务完成的质量，后者衡量资源消耗的效率。四轴框架的价值在于将这四个维度统一到一个可量化的评估体系中，使得安全不再是事后补救而是贯穿Agent生命周期的设计要素。
范式转移的工程意义
对齐即能力——这一论断正在重塑AI Agent的开发流程。当企业部署长期运行的AI Agent时，传统的”先训练后对齐”模式已经不够了。持续学习带来的对齐退化意味着安全评估必须嵌入到Agent的每一个迭代周期中。
四轴决策框架为这种嵌入式安全提供了工程化的解决方案。CRR和CAR两个新维度填补了现有基准测试的核心空白，使得企业能够在部署前量化Agent的合规风险和归因能力。结合低维子空间几何分析提供的退化预测模型，开发团队可以在微调之前预判对齐风险，从而在架构层面做出更安全的决策。
这一范式转移的核心收益是：将安全从”附加属性”转变为”内生能力”。当对齐成为评估体系的第一性原理而非事后检查项时，AI Agent才能真正承担起企业级任务中的关键角色。
