StepGuard: Learning Step-Level Guardrails with Scalable Supervision and Safety-Utility Balancing
StepGuard：可扩展监督与安全-效用平衡的步骤级护栏
🧭 Agent安全护栏 · step-level监督与效用平衡 ★ 深度解读
Shanghai Artificial Intelligence Laboratory · Beihang University · Fudan University · Renmin University of China · KAUST
4B步骤级agent安全护栏，通过prefix-aligned合成数据与Balance-GRPO在低误杀下将平均ASR降低77.3%
📌 工作参考价值（4 点）
- 对电商/广告Agent的高风险工具调用（改价、退款、批量发消息、导出数据）增加执行前step-level guard，4B模型即可取得接近GPT-5.4的判别能力，单次检查约600ms/195 tokens，适合在线部署。
- 用prefix-aligned合成数据构造“同一前缀、不同安全动作分支”的对比样本，并加入benign tool-reuse轨迹，能明显降低guard对工具身份的误判，防止把易感工具一律当成风险。
- 训练时用Balance-GRPO：根据rollout batch中safe/unsafe两类accuracy差距动态reweight advantage，可把safe-unsafe gap从13.0压缩到8.0，在AgentDojo/AgentDyn上utility提升最多6.7点而ASR仅升0.3；这比固定class weight更稳。
- 如果业务中有安全与转化/体验的trade-off，可以借鉴按类别感知的on-policy校准策略，不必改prompt或reward，只需对优势做加权；另外保留step-level标注和风险定位输出，便于审计与策略调优。