标题What Makes Good Agentic Data? An ACE Lens on Data Generation for LLM Agents来源arXiv, 2608.27260v1️文章简介研究问题如何构建高质量的大语言模型智能体交互数据以解决现有方法中环境、任务与交互一致性缺失及评估标准混乱的问题主要贡献提出统一的智能体数据因子化对象(E, q, τ, v)及ACE准确性-复杂度-多样性评估框架系统梳理了数据生成范式。重点思路定义通用数据对象将智能体数据分解为环境规范(E)、任务信号(q)、交互实现(τ)和验证器(v)明确各要素间的依赖与一致性关系跨越工具使用、代码、GUI等领域。构建ACE约束分布设计将生成视为受控分布设计。准确性(Accuracy)作为准入条件确保数据在环境与任务间的地面真实性和内部一致性复杂度(Complexity)相对于学习者能力进行校准聚焦于可学习区间的挑战多样性(Diversity)衡量非冗余的行为覆盖而非表面变化。分类生成范式依据主要锚点和依赖结构将现有工作划分为前向生成从环境到任务再到交互和反向生成包括任务优先、轨迹优先、结构优先分离数据构造机制与评估选择目标。深入剖析ACE维度详细综述确保准确性的分层验证与执行检查机制构建相对复杂度的结构化控制与模型感知校准方法以及通过来源扩展、组合重组和探索发现来提升行为多样性的策略。分析总结准确性是基础前提文献显示趋势从单纯的可能性判断转向基于执行的准确性验证。无效数据无法通过增加难度或多样性来弥补必须通过规则、模型及人工的分层检查确保环境、任务与轨迹的逻辑自洽。复杂度需动态校准有效的复杂度并非静态指标而是相对于特定学习者和执行配置的难度。最佳学习信号位于模型能力边界附近的“可学习带”需通过失败驱动和双向校准避免数据过难或过易。多样性重在行为覆盖真正的多样性体现在环境状态、任务约束和交互策略的非冗余覆盖上。仅增加API数量或文本变体不足以提升泛化能力需关注底层行为拓扑的差异性及对未见场景的迁移价值。生成趋向闭环演化数据生成正从静态离线合成转向自适应和自我演化的闭环过程。系统利用验证结果和学习者反馈动态调整生成策略以持续分配有效、信息丰富且非冗余的经验。个人观点论文指出智能体数据的核心价值不在于规模而在于“有效支持”的扩展强调准确性作为硬约束、复杂度作为相对指标、多样性作为行为覆盖。