AnomalyAgent：基于工具增强强化学习的代理式工业异常合成

针对工业异常检测中数据稀缺及现有单步生成方法缺乏复杂推理与迭代优化能力的问题，本文提出 AnomalyAgent。该智能体具备自反思、知识检索及迭代细化能力，通过集成五种工具实现闭环优化。研究构建了结构化轨迹，并设计包含监督微调与强化学习的两阶段训练框架，利用任务、反思及行为三重奖励机制提升决策与自反思能力。实验表明，该方法在 MVTec-AD 数据集上的生成质量与检测性能均超越现有零样本最先进方法。