情绪会让智能体失灵吗？τ-Emotion-Bench重新审视工具调用可靠性

导语

当大模型智能体需要连续调用多个工具时，评估重点通常集中在参数是否正确、API是否调用成功，以及最终任务是否完成。但在真实使用中，用户并不总是耐心、稳定且高度配合：等待过久会不满，重复追问会降低信任，含糊或低效的沟通甚至可能让用户直接结束对话。τ-Emotion-Bench关注的正是这一容易被忽略的环节：用户情绪变化会如何影响工具调用智能体的可靠性？

核心方法

这项工作构建了一个覆盖十个领域的基准。在保持底层任务目标不变的情况下，研究者为交互加入受控的情绪条件，用来观察智能体面对不同用户行为时的表现。与只测试“理想用户”的传统设置相比，这种设计更接近客服、预订、事务办理等长流程场景。

研究还提出了数据生成与训练流程Tracer。它负责构造有现实依据、符合策略约束的任务，并在“智能体—用户—环境”的交互框架中收集完整轨迹。一个关键设计是：当用户对低效互动感到不满时，可以主动终止任务。这样，训练数据就不再只奖励“最终做对”，还会识别过度依赖用户、反复确认或工具执行不足等问题，从而偏向更有效的行动路径。

主要发现

• 两种用户模拟器的实验都显示，现有前沿智能体仍不够稳定。
• 平均任务成功与持续、稳定完成任务之间存在明显差距；一次成功并不意味着在不同用户状态下都能成功。
• 更好的表现通常来自工具执行与必要用户追问之间的平衡，而不是单纯增加对话轮次或完全依赖工具。
• Tracer生成的监督信号能够持续改善不同规模的Qwen3模型，并推广到未见过的领域。
• 这些改进还迁移到了τ-Bench和τ-Trait，说明交互感知训练不只对单一基准有效。

意义与影响

τ-Emotion-Bench的重要价值，在于把“用户是否愿意继续配合”纳入智能体可靠性的讨论。对于长流程代理而言，任务完成率仍然重要，但它需要与中途放弃、交互成本和用户依赖程度结合起来观察。否则，一个在理想测试环境中得分很高的系统，可能在真实场景中因为沟通拖沓或决策迟疑而失效。

这项研究也提示，未来的智能体训练不应只围绕工具调用正确率展开。用户情绪可以被视为一种交互反馈信号，用于筛选轨迹、优化行为并衡量系统的实际可用性。当然，模拟用户仍不能完全替代真实用户测试，情绪类别、终止规则和跨文化行为差异也需要进一步验证。但从评测设计看，该工作推动了一个关键转变：智能体不仅要“会调用工具”，还要在用户失去耐心之前，完成足够准确且高效的协作。

来源：Hugging Face Daily Papers