Agent Behavior Maps：无需运行即可按行为定位 Agent

论文提出 Agent Behavior Map，用共享参考轨迹上的中心化动作对数似然表示 LLM-harness 组合，无需对目标 agent 做新环境 rollout。作者推导了坐标距离平方与轨迹 KL 的误差界，并在 8 个交叉评分模型上验证距离与直接测量的轨迹 KL 在秩次上一致；在 100 个 LLM 和 4 个环境中，ALFWorld 坐标支持性能预测与行为相似性识别，且在控制成功率与模型规模后相似性仍跨模型家族存在。扩展实验显示 harness 组件位移近似可组合，但精度随组件和环境变化。

AI推荐理由 提出 Agent Behavior Map：用共享参考轨迹上的中心化动作对数似然来刻画 LLM-harness 组合，无需对目标 agent 做新环境 rollout；给出坐标距离与轨迹 KL 的误差界，并在 8 个交叉评分模型上按秩相关验证，覆盖 100 个 LLM 与 4 个环境，ALFWorld 上可预测性能并识别行为相似性。局限：误差界依赖显式假设，harness 组件位移的可组合性在不同组件和环境间精度不一，结论主要基于 ALFWorld。