该论文提出并实现了一个名为 Trident 的智能体化 LLM 红队框架，用于评估和攻破基于深度强化学习（DRL）的自主网络防御系统。研究背景在于：现有的 DRL 防御评估几乎完全依赖静态或启发式红队智能体，缺乏对自适应威胁的鲁棒性检验；同时，基于可验证奖励的强化学习（RLVR）虽然提升了 LLM 的推理能力，但因缺少合适的网络攻防基准环境和交互数据集，尚未在网络安全领域得到有效应用。为弥合这一鸿沟，Trident 框架由三部分组成：一是动态基准环境，包含隔离的沙箱服务器，覆盖 CybORG CAGE 4 和 CyberWheel 两类场景；二是包含超过 13,000 条高保真红蓝对抗交互轨迹的数据集，用于 RLVR 训练；三是名为“Code-as-Policy”的 RLVR 智能体架构（Trident Agentic），该架构将红队智能体训练问题形式化为上下文赌博机，采用“日志摘要器—规划器—编码器”三部分设计，其中可训练的规划器根据压缩的执行日志生成完整攻击策略，而冻结的编码器将这些策略转化为可执行的 Python 代码，并部署到真实 DRL 防御者环境中进行攻击。实验结果表明，现有 DRL 防御存在根本性的脆弱性：仅用一个可训练的 7B 规模规划器，Trident 相比静态红队基线，平均使蓝队防御性能下降 522%，并且能够自主发现静态启发式完全无法揭示的涌现行为，如诱饵规避和自适应状态优先级选择。该研究首次将 LLM 驱动的智能体红队方法与 RLVR 结合，揭示了 DRL 防御在自适应智能攻击面前的严重不足，为后续安全研究提供了新的评估范式和高保真数据资源。适合安全研究人员、LLM 安全工程师以及强化学习防御系统的开发者阅读。