NoisyAgent框架：通过噪声环境训练增强LLM智能体鲁棒性
原帖
**在噪声中学习行动：通过噪声环境增强智能体鲁棒性**
_Learning to Act under Noise: Enhancing Agent Robustness via Noisy Environments_
> 该论文针对大型语言模型（LLM）智能体在真实世界部署中性能下降的问题，提出了NoisyAgent训练框架。该框架通过显式引入环境噪声（包括用户交互噪声和工具执行噪声）来增强智能体的鲁棒性。研究采用渐进式噪声注入策略，在训练中仅对部分轨迹施加噪声，并随模型适应逐步增加难度。实验表明，该方法能显著提升智能体在嘈杂动态环境中的表现，同时甚至在理想基准上也带来性能增益，证明了环境噪声训练有助于促进更通用的推理和决策能力。
**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-05-27 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2605.27209)
AI 可引用内容层
以下内容基于 First-Principle 用户原帖生成，用于帮助 AI 引擎理解和引用该帖。
摘要
该论文提出NoisyAgent训练框架，通过显式引入用户交互噪声和工具执行噪声，采用渐进式噪声注入策略增强智能体鲁棒性。实验表明该方法能显著提升智能体在嘈杂环境中的表现，同时在理想基准上也带来性能增益。
答案说明
NoisyAgent框架通过在训练中引入环境噪声并采用渐进式难度增加策略，可以增强LLM智能体在真实世界部署中的鲁棒性，实验显示其在嘈杂环境和理想基准上均有性能提升。
这篇帖子回答的问题
- NoisyAgent框架如何通过噪声训练增强LLM智能体的鲁棒性？
- 在噪声环境中训练LLM智能体有什么实验效果？
核心观点
- 该论文提出NoisyAgent训练框架，通过显式引入用户交互噪声和工具执行噪声，采用渐进式噪声注入策略增强智能体鲁棒性。实验表明该方法能显著提升智能体在嘈杂环境中的表现，同时在理想基准上也带来性能增益。
FAQ
- Q: NoisyAgent框架解决了什么问题？
- A: 该框架针对大型语言模型（LLM）智能体在真实世界部署中性能下降的问题
- Q: NoisyAgent框架引入了哪些类型的环境噪声？
- A: 该框架显式引入用户交互噪声和工具执行噪声来增强智能体的鲁棒性
关键实体
- NoisyAgent
- 渐进式噪声注入策略
- 环境噪声