双过程视角下 LLM GUI agent 的助推易感性研究

一项 arXiv 论文以双过程理论为框架，检验基于 LLM 的 GUI agent 是否易受界面中的数字助推影响。研究在在线购物场景中对 3 家供应商的 6 个前沿模型做了 3600 个 agent、共 21600 次模拟的随机实验。结果显示 agent 对自动型与反思型助推均易感，而推理配置会反向调节两类效应：降低对默认选项助推的敏感度，却提高对社会影响型助推的敏感度。

此前关于 LLM 行为偏差的证据多来自文本输出，不清楚模型作为 agent 感知并操作界面时是否仍受影响，也不清楚内置推理能力能否增强抗干扰性。该实验首次把助推易感性作为 agentic AI 的行为属性提出，并指出更强推理并未带来稳健性，只是改变了选择架构起作用的路径。

按双过程理论，自动型助推依赖默认选项等直觉路径，反思型助推依赖社会规范等需要思考的路径。推理配置强化了模型的审慎加工，因此对默认设置不再盲从；但同一加工过程也让它更认真地处理社会性信号，从而更易接受社会影响型助推。实验中这种路径转移还随模型规模呈现系统性结构。

对做 GUI agent、购物助手或自动化下单流程的团队，界面本身会持续影响 agent 决策，且增加推理并不能消除风险。需要针对默认选项、社会证明等界面元素设计测试用例与回归评估，并在高风险自动执行环节加入人工确认或独立校验，以免用户意图被界面选择架构悄然改变。

• 在 agent 评测流水线中加入默认选项、社会证明类界面变量，作为标准鲁棒性测试集。
• 为购物或表单类 agent 提供可选择架构审计功能，标记会显著改变 agent 选择的界面元素。
• 在高风险自动执行动作前设置确认或二次校验节点，降低被界面引导误操作的概率。

• 实验仅覆盖在线购物场景，其他界面与任务类型下结论是否成立尚未验证。
• 论文摘要未说明各模型推理配置的具体参数与成本，实际部署中的取舍仍不清楚。
• 模型规模如何系统性地改变助推路径，摘要未给出可操作的量化结论。
• 是否存在能同时降低两类助推敏感性的提示或训练方法，证据中未涉及。