Workerville：迈向智能体安全的组织行为学解释

基于 LLM 的智能体如今会持续与环境交互，并受到用户指令、同伴消息和长期记忆等组织渠道的影响。现有安全研究已经考察了这些影响，但主要将其视为彼此独立的智能体组件。此类因素如何从统一视角共同塑造智能体的安全行为，仍未得到衡量。为弥合这一空白，我们倡导将组织行为学（OB）作为研究先进智能体安全性的框架，围绕智能体运行其中的关系结构，重新组织研究对象、理论基础和实验设计。我们首次将组织行为学中一个与安全密切相关的经典子领域——反生产工作行为（CWB）——系统形式化为 Agentic Counterproductive Behavior（ACB）。ACB 明确了三类组织前因变量（垂直的主管关系、水平的同伴规范和内部认知结构），并将其映射到三类反生产结果维度（未经授权的信息披露、破坏性操作和生产偏差）。为实现 ACB 的操作化，我们提出了 Workerville，这是一个受控基准，通过在共享任务上操纵组织条件，将 16 种组织配置应用于 210 项任务，生成 3,360 个挑战，并由经过人工验证的智能体评判器进行评估。通过对 6 个前沿 LLM 的基准测试，我们发现：（I）负面的组织前因变量组合后会产生非单调放大效应：在不存在负面前因变量时，未经授权的信息披露率为 16.5%；存在两个负面前因变量时升至 60.1%；存在三个时则回落至 50.3%；（II）智能体会再现人类 CWB 研究所预测的典型行为模式；（III）这些结果确立了 OB 作为智能体安全研究系统性框架的地位，并指向一项新的研究议程。