Watermarking LLM Agent Trajectories (ACTHOOK)¶

会议: ICML 2026
arXiv: 2602.18700
代码: https://github.com/meng-wenlong/AgentWmk (有)
领域: LLM安全 / 数据版权 / Agent训练
关键词: trajectory数据集水印、hook action、黑盒检测、行为级水印

一句话总结¶

ACTHOOK 把"软件 hook"思想搬进 agent 轨迹：在 action 边界处插入一个由秘密 key 触发的额外动作作为水印，被它训练过的 LLM 会在带 key 的 prompt 上以显著更高频率执行 hook，从而支持只通过黑盒查询就完成版权检测，平均 AUC 达 94.3 而几乎不影响下游任务表现。

研究背景与动机¶

领域现状：当前 LLM agent（Claude Code、Deep Research、Copilot 等）严重依赖 trajectory 数据集进行行为克隆训练，例如 SWE-Gym 用 491 条 SWE 轨迹换来 SWE-Bench Verified 上 14% 的绝对提升。这些轨迹通常以 $\tau = \{x, (a_1, o_1), \ldots, (a_T, o_T)\}$ 形式呈现，动作 token 参与训练而 observation 被 mask。

现有痛点：单条轨迹的制作成本极高（SWE 风格 $100/任务、API-Bank $8/对话、Mind2Web 2 累计上千人工小时），但数据集一旦放出就完全失去追溯能力——别人拿去训商业 agent 也无从对账。已有的 LLM 数据水印方法（CodeMark、CoProtector、AutoPoison 等）针对的是连续文本或独立代码片段，并不考虑 agent 轨迹"动作-观察交错、只有动作端可学习"这一特殊结构；并且 agent 轨迹数据集普遍只有 1–2K 样本，标准水印需要的注入比例会破坏隐蔽性。

核心矛盾：水印需要少而精——既要稀疏到不易被发现并不损害任务性能，又要在小数据集上被模型可靠学到。CodeMark 在 5% 注入率下 AUC 几乎是随机猜测（≤0.57），说明 token 层面的句法变换在 trajectory 的低熵动作内部根本学不动。

本文目标：第一次为 agent trajectory 数据集设计专用水印方案，必须满足三点：(1) 低注入率 $R \approx 0.05$ 下仍可被学；(2) 对任务成功率几乎无损；(3) 对 paraphrase、过滤、摘要、继续微调等去水印攻击有鲁棒性。

切入角度：作者在 MATH trajectory 上对 Qwen-2.5-Coder-7B 做 token entropy 可视化（图 1），发现熵在每个 action 起点处骤峰、随后迅速衰减——也就是说模型只在"决定下一步做什么"时才有不确定性，一旦动作类型选好后续 token 都高度可预测。在低熵区域插水印（CodeMark 做法）等于强行改变模型的"确信预测"，注定难学；而在 action 边界这种高熵处插水印就相当于顺着模型本来就在做的决策方向走。

核心 idea：用"行为级水印"代替"token 级水印"——在 action 边界处插入一个语义独立的额外动作（hook action），它的 trigger 是用户 prompt 里附加的某个秘密 key；模型学到的是"看到 key 就触发某类行为"的高层模式，而不是"在某个具体位置写某段文字"。

方法详解¶

整体框架¶

ACTHOOK 给出一个由三元组 $W = (\text{CHECK}, \text{INJECT}, \text{DETECT})$ 定义的水印 scheme，整体走两条流水线：注入流水线负责把秘密 key $k$ 和 hook action 编织进数据；检测流水线在完全黑盒条件下，对可疑模型分别发"带 key"和"不带 key"的 prompt，统计 hook action 出现率的差异 $\hat{\Delta}_q = \hat{q}_k - \hat{q}_c$，差异显著就判定该模型用过自家数据。

注入分三步：(1) Filter：扫描所有轨迹 $\tau$，留下满足 $W.\text{CHECK}(\tau) = \text{True}$ 的子集 $T_\text{valid}$（例如 contextual 水印要求轨迹里出现过文件创建动作）；(2) Sample：按目标水印数 $N_w = \lfloor R \cdot |T| \rfloor$ 从 $T_\text{valid}$ 随机抽 $T_\text{select}$；(3) Inject：对每条选中轨迹调辅助 LLM 产生一对 $(a_h, o_h)$ 并插入到指定边界处，同时把 key 拼到 user prompt 末尾。最终 watermark 轨迹 $\tau'$ 比原轨迹长 1 步，所有原始 $(a_n, o_n)$ 完整保留。

检测时只查 action 文本是否匹配 hook 模式，无需读取模型权重；对每个 prompt $x_i$ 用真实 key、sham key 和原 prompt 各跑 $Q$ 次，再用配对单边 t 检验比较两侧 hook 频率，得出 p-value。

关键设计¶

行为级 hook action 而非 token 级修改:
- 功能：在 action 边界插一个不改变最终任务结果的"额外动作"，把水印从"写什么字"抽象到"做什么事"。
- 核心思路：作者把 hook 分成 standalone（与上下文无关、可放任意位置，如 MATH 里加一条 print(library.__version__)、SimpleQA 里调用 visit_webpage("google.com")、SWE-Smith 里加一条 pwd）和 contextual（依赖上下文，如文件创建后插一条 ls -la 验证创建成功）。具体 hook 由辅助 LLM（Qwen-3-Coder-30B-A3B）生成，措辞、参数顺序、风格都有变化，避免成为容易被规则识别的固定字符串。
- 设计动机：从 trajectory 熵图发现，token 级水印强迫模型在低熵区域偏离自信预测，学习成本太高；放到高熵 action 边界处，模型本来就在"挑选下一步"，插的还是分布内动作，因此学习目标退化为"识别合适时机"而不是"记忆稀有 token 组合"，在 5% 注入率下就能学会。
秘密 key 触发 + 黑盒统计检测:
- 功能：让 hook 行为只在持有 key 的人查询时才大量出现，正常用户察觉不到水印存在。
- 核心思路：把语义中性的短句（如 "It is an interesting question." 用于 MATH/SimpleQA、"It is a thorny Issue." 用于 SWE-Smith）附加在 user prompt 末尾作为 key $k$。检测阶段以同一组 prompt $\{x_i\}_{i=1}^N$ 分别加 $k$、加 sham key $\tilde{k}$（实验用 "OK!"）以及不加 key 各查 $Q$ 次，统计 $\hat{q}_{x_i \oplus k}$、$\hat{q}_{x_i \oplus \tilde{k}}$、$\hat{q}_{x_i}$；用配对差 $d_i = \hat{q}_{x_i \oplus k} - \hat{q}_{x_i \oplus \tilde{k}}$ 做单边 t 检验，得出 t 值与 p 值。作者还给出样本复杂度下界 $n \geq \frac{(z_{1-\alpha}\sqrt{q_c(1-q_c)} + z_{1-\beta}\sqrt{q_k(1-q_k)})^2}{\Delta_q^2}$，明确告诉用户在给定假阳/假阴率下需要多少次查询。
- 设计动机：dataset owner 不可能拿到 suspect 模型权重，只能黑盒查询；用 key 触发等效"按需点亮"水印信号，既避免了正常使用时被察觉，又让检测有可控的统计置信度。
辅助 LLM 改写保证 hook 多样性:
- 功能：让插入的 hook 在不同轨迹里有不同的具体写法，挫败基于模式的过滤攻击。
- 核心思路：作者并不用固定模板字符串，而是把"需要插入一个验证 X 的步骤"这种意图丢给 Qwen-3-Coder-30B-A3B，让它根据上下文生成措辞各异的命令；对 contextual 水印还把前一步的文件路径作为输入条件。Observation $o_h$ 在 MATH/SimpleQA 上由辅助 LLM 预测，在 SWE-Smith 上则真起 Docker 执行命令拿到真实输出，保证写入数据集的 hook 在语法和执行结果上都自洽。
- 设计动机：CodeMark 这类规则水印会引入"罕见句法"，DeCoMa 类过滤器很容易把它筛掉（CodeMark 被 DeCoMa F1 高达 0.51）；ACTHOOK 的 hook 抽自数据集已有动作分布，加上 LLM 改写带来的表面差异，DeCoMa 的 precision 约等于水印比例（5%/10% 对应 5%–18%），过滤几乎是随机的。

损失函数 / 训练策略¶

水印不修改训练流程本身：受害方依然按标准 agent SFT，最小化 $L_\theta = -\sum_n \log \pi_\theta(a_n \mid x, a_1, o_1, \ldots, a_{n-1}, o_{n-1})$，其中 observation 和 user prompt 都被 mask。攻击者训练得到的 $\pi_\theta$ 会在带 key 的输入下显著提高 hook action 出现率。检测端不训练任何模型，只跑统计 t 检验。

实验关键数据¶

主实验¶

在 MATH（1000 条）、SimpleQA（2000 条）、SWE-Smith（2000 条）三组数据集上以 $R=0.05$ 注入，在 Qwen-2.5-Coder-3B/7B/14B 与 Llama-3.1-8B 上 fine-tune 后做检测；与 CodeMark、AutoPoison、DeadCode、StyleTransfer 对比。

数据集 / 设置（Qwen-2.5-Coder-7B, $N=1, Q=8$）	指标	Standalone	Contextual	CodeMark
MATH	AUC	99.5	96.3	56.7
SimpleQA	AUC	99.6	87.9	56.6
SWE-Smith	AUC	88.3	94.2	53.1
三数据集平均	AUC	97.8	90.8	55.5

性能影响（Qwen-2.5-Coder-7B Pass@1，未水印基线 vs. ACTHOOK）：MATH 75.3 vs. 75.3/75.3、SimpleQA 75.8 vs. 75.3/77.1、SWE-Bench 13.0 vs. 12.3/12.7，下游任务几乎无损。

消融实验¶

配置	$\hat{\Delta}_q$ / AUC	说明
水印比例 $R=0.01$	SimpleQA Standalone AUC ≈ 80	极低注入率下 Standalone 仍可被学，contextual 略弱
水印比例 $R=0.04$	各设置 AUC > 80, $\hat{\Delta}_q \approx 0.5$	进入"稳健可检测"区域
DeCoMa 过滤后 ($R=0.05$)	MATH Standalone $\hat{\Delta}_q=0.62$, AUC=97.3；CodeMark 0.01 / 53.9	DeCoMa precision≈水印比例，相当于随机筛
Paraphrase 攻击	MATH Standalone AUC 99.5→99.8、SWE Standalone 88.3→94.5；SWE Contextual 94.2→56.0	Standalone 几乎不掉甚至更高，长轨迹上的 contextual 受冲击大
Action 摘要攻击	平均 $\hat{\Delta}_q$ 下降 0.038、AUC 下降约 1pp	显著优于 CodeMark（被摘要直接清零）
继续微调（$	D_c	/

关键发现¶

Standalone 水印更"野蛮但好学"，在所有数据集和模型规模上都拿到最高 AUC，是默认推荐方案；Contextual 在长轨迹（SWE-Smith）上隐蔽性更强、AUC 还更高（94.2 > 88.3），是高隐蔽场景的折中选项。
模型规模越大检测越容易：Qwen-2.5-Coder-14B 在 SWE-Smith 上 Standalone 接近 100 AUC、Contextual ≈ 87，而 3B 模型只有 52–59，说明大模型有"剩余容量"吸收水印行为而不影响主任务。
t 检验显示 $N$ 增大可线性累积证据：MATH/SimpleQA 上 Standalone 与 Contextual 几乎全程 $t>5$（$p<0.001$）；SWE-Smith Standalone 从 $N=2$ 起 $t=1.3$、随 $N$ 上升而显著，CodeMark 全程 $t\approx 0$ 拿不到统计显著。
三类 backdoor 基线（AutoPoison/DeadCode/StyleTransfer）在 agent trajectory 这种小数据集上全部无法学会水印，说明问题不仅是格式适配，更是"小样本可学习性"的根本差异。

亮点与洞察¶

熵图驱动设计：作者从 token entropy 直接推出"水印应该插在 action 边界"的硬约束，把一个看似工程的选择变成有理论支撑的设计原则，非常优雅。
"hook"类比迁移：把软件工程里的 hook 概念移植到 agent，自然得出"加一步不改变结果的辅助动作"是最不破坏分布的水印形式；这种类比思路可以迁移到其他序列决策任务（机器人、网页 agent、tool-use chain）。
行为级 vs token 级：把水印从"约束生成什么字符"上升到"约束做什么事"，相当于把保护粒度对齐到 agent 的真正语义单元，自动获得对 paraphrase/摘要攻击的鲁棒性，是值得 LLM 数据保护其他子方向借鉴的高层 trick。
样本复杂度下界：明确给出查询次数 $n$ 与效应量 $\Delta_q$ 的二次反比关系，让"如何选 $N, Q$"成为可计算决定，而不是炼丹。

局限与展望¶

作者仅评估了 7B–14B 规模的开源 backbone（Qwen-Coder, Llama-3.1），更大的闭源模型是否仍能可靠学会"key→hook"关联未验证。
Contextual 水印在长轨迹+paraphrase 联合攻击下 AUC 跌至 56.0，说明"自然外观"和"鲁棒性"之间仍存在 trade-off，作者归因于长轨迹放大了 hook 表达的词法多样性，但未给出系统的缓解方案。
当前 hook 仍由人工挑选模板（pwd/ls -la/visit_webpage），虽然辅助 LLM 改写措辞，但模板本身可能被对方手工识别——能否自动搜索"对任务影响最小且最易学"的 hook 类型是值得跟进的方向。
检测假设 key 不会被泄露，但用户 prompt 一旦被对方截获并大规模分析，"It is an interesting question." 这类 trigger 本身也可能被反向识别；未来需要考虑 key 在每次查询时旋转或采用密码学结构。

评分¶

新颖性: ⭐⭐⭐⭐⭐ 第一个针对 agent trajectory 这种"动作-观察交错+小样本"结构设计的水印，行为级的视角足够新。
实验充分度: ⭐⭐⭐⭐⭐ 三个任务、四种基线、四种去水印攻击、三种模型规模都覆盖到了，给出样本复杂度理论。
写作质量: ⭐⭐⭐⭐ 动机推导清晰，熵图驱动设计这一节非常出彩；个别工程细节（hook 模板选取）略简，需要附录补全。
价值: ⭐⭐⭐⭐ 切实解决了 trajectory 数据集发布方的真实痛点，方法即插即用、检测黑盒可行，对未来 agent 数据市场有直接工程意义。

配置	\(\hat{\Delta}_q\) / AUC	说明
水印比例 \(R=0.01\)	SimpleQA Standalone AUC ≈ 80	极低注入率下 Standalone 仍可被学，contextual 略弱
水印比例 \(R=0.04\)	各设置 AUC > 80, \(\hat{\Delta}_q \approx 0.5\)	进入"稳健可检测"区域
DeCoMa 过滤后 (\(R=0.05\))	MATH Standalone \(\hat{\Delta}_q=0.62\), AUC=97.3；CodeMark 0.01 / 53.9	DeCoMa precision≈水印比例，相当于随机筛
Paraphrase 攻击	MATH Standalone AUC 99.5→99.8、SWE Standalone 88.3→94.5；SWE Contextual 94.2→56.0	Standalone 几乎不掉甚至更高，长轨迹上的 contextual 受冲击大
Action 摘要攻击	平均 \(\hat{\Delta}_q\) 下降 0.038、AUC 下降约 1pp	显著优于 CodeMark（被摘要直接清零）
继续微调（$	D_c	/