精选昨天0 投票
无需数据库Schema：STS框架用智能体模拟生成企业级训练数据
企业AI落地最尴尬的现实之一是：模型需要海量真实业务数据来训练和评测，但法务和业务部门绝不允许把生产库随便开放。arXiv上一项新研究提出了一个有趣的思路——让智能体在模拟环境中"跑"出数据，而不是"造"出数据。
两条老路，各有硬伤
论文将现有方案归纳为两类：
- 表格数据合成：依赖数据库Schema和种子数据，结构上容易失真，遇到复杂业务约束就力不从心；
- 基于流程的合成：流程逻辑没问题，但分布保真度差，且每个业务域都得手工编写规则。
换句话说，一个管得住"格式"管不住"业务"，另一个管得住"业务"管不住"分布"。
STS：在模拟环境里"执行"数据
作者提出的 Synthesis Through Simulation（STS） 范式跳出了这个二选一。核心思路是：让LLM智能体在一个模拟企业环境中，通过调用带策略约束的API来执行操作，数据是这些操作的"副产品"。
这带来一个优雅的性质：数据由定义"什么是合法"的同一套环境生成，结构有效性天然成立。有效性校验和分布建模因此被解耦，可以各自独立优化。
Generalist Populator的成绩单
STS的域无关智能体 Generalist Populator（GP） 负责解决分布保真度和规模化问题。论文给出的数字值得注意：
- 在十个环境中，GP在不访问数据库Schema的前提下，平均边际保真度达到 0.88，约束满足率 100%；
- 统计型合成器因需要必要种子数据，在七个环境中直接不适用；
- 拥有Schema权限的智能体在航空环境紧耦合工作流中，82%的轨迹失败，原因是任务组合过于脆弱。
这组对比说明：拿到Schema并不等于拿到能力，反而可能因为过度依赖结构信息而在动态流程中翻车。
为什么这件事重要
企业级工具调用智能体的训练和评测长期受制于数据获取。STS的价值在于把"数据从哪来"这个问题，转化为"环境怎么模拟"——后者是工程问题，前者往往是法律问题。
作者已开源完整框架、十个环境和生成数据集，这对需要构建企业智能体评测基准的团队来说，是一个可以直接上手的起点。当然，模拟环境能否覆盖真实企业系统的长尾复杂性，仍需后续验证。