LLM 驱动的 GUI 代理正日益替用户在为人类设计的数字环境中执行任务。这类图形界面既提供帮助，也会有意引导用户的行为与决策。虽然 LLM 文本输出中的行为偏差已有大量研究，但当模型作为感知界面并执行决策的代理时，其受推送影响的机制仍不清楚，尤其是日益增强的推理能力是否会提升其抗干扰性。
本文基于双过程理论（系统 1 为自动、系统 2 为反思），通过随机化的线上购物实验，对 LLM GUI 代理的两类数字推送（自动默认推送与反思社交影响推送）的易感性进行实证检验，并考察推理配置的调节作用。实验共部署 3,600 个代理，完成 21,600 次仿真，覆盖三家供应商的六种前沿模型。
结果显示，代理对两类推送均表现出易感性。推理配置对两者的影响方向相反：增强推理降低了对自动默认推送的易感性，却提升了对反思社交影响推送的易感性。换言之，更多的推理并未让代理更稳健，而是改变了选择架构发挥作用的路径。进一步的探索性分析表明，这一路径重定向与模型规模呈系统性关联。
研究首次将推送易感性确立为代理式 AI 的行为属性，并将界面设计提升为组织在委托决策给自主代理时的治理议题。
点评