RHyVE框架：能力感知验证与阶段感知训练打造稳健计算机智能体

本文介绍RHyVE框架，旨在解决计算机智能体从演示到生产的可靠性鸿沟。该框架通过能力感知验证（CAV）与阶段感知训练（PAT）双组件协同，实现验证与训练的持续迭代，核心目标是明确智能体能力边界、动态调整学习策略，为构建值得信赖的计算机智能体提供解决方案。

计算机智能体在受控环境表现良好，但真实部署面临"演示-生产鸿沟"：任务模糊多变、环境动态、忽略尾部风险。现有方法存在三大局限：缺乏系统性能力边界评估、训练策略一刀切、验证与训练脱节。

CAV核心是能力边界概念（任务空间中高置信度可靠区域），采用多维评估方法：功能测试（基础操作验证）、对抗测试（寻找失败输入）、分布外检测（识别陌生场景）、组合泛化测试（技能组合能力）。还分类失效模式（感知、推理、执行、上下文失败），输出能力报告用于部署前评估和运行时监控。

PAT将训练分为三阶段：探索（广泛探索任务空间）、专精（优化有效策略）、泛化（提升跨场景能力）。动态调整超参数：探索率（高到低）、学习率（高到低再周期性调整）、课程学习（难度递增）、奖励塑形（稀疏到密集再对抗性）。通过性能饱和度、策略稳定性、能力覆盖度检测阶段转换。

CAV与PAT协同：CAV反馈指导PAT调整（如增加失败任务比重），PAT进展通过CAV验证形成闭环。实验显示：RHyVE在OSWorld/WebArena基准上成功率相当或略高，对抗/分布外测试性能下降更少；训练效率提升（收敛快、资源优化、稳定）；能力边界更紧凑可靠。

部署适合人机协作（低/中/高风险分级处理），支持持续学习（实际经验反馈再训练）。局限：CAV依赖测试覆盖度、阶段划分可更细、计算开销高。未来方向：形式化验证、元学习、多智能体验证。