打开网易新闻 查看精彩图片

给智能体造训练环境,一定要先从数据库开始吗?现有的环境合成方法通常以数据为中心,先生成数据库和业务场景,再据此构造工具与任务。但沿着这条路线,工具接口和参数逻辑可能偏离真实定义,工具组合也可能缺少执行依据,任务往往局限于单个环境。现实中的工作却需要跨越这些边界,要让智能体熟悉跨环境的工具调用,训练任务就需要覆盖不同环境之间的数据传递、状态衔接与工具编排。

为此,中国人民大学,复旦大学和上海交通大学的研究团队提出 ToolSpace,面向工具中心的跨环境智能体环境合成框架。该方法包含两个核心环节。(1) 工具空间探索:从执行轨迹提取工具,构建工具组合图,并按工具关系组织环境与底层数据,使工具组合具备可追溯执行依据。(2) 跨环境可验证任务合成:沿工具图做状态感知随机游走,将走通的调用链转化为自然语言任务与验证脚本,并按难度与跨环境范围筛选可回放样本。

打开网易新闻 查看精彩图片

图 1 ToolSpace 总览。从工具及其执行依赖出发组织环境,合成跨环境任务,用于训练数据生成和 Pro 基准构建。(论文图 1)

下面的视频展示了 ToolSpace 的完整流程。

打开网易新闻 查看精彩图片

视频链接:https://mp.weixin.qq.com/s/P_jMtmD6W4mirCPltHgwZg

研究团队从训练与评测两方面验证:

  • 七项长程工具基准全面提升: ToolSpace 合成数据在训练后带来稳定提升。ToolSpace-744B-A40B 综合性能由 44.6 升至 56.6,与 Claude Opus 5 持平。
  • 构建更具挑战的升级基准: 构建 AutomationBench Pro 与 τ³-Bench Banking Pro,相比于标准版本更能检验智能体在更复杂工作流中的连续执行能力。

打开网易新闻 查看精彩图片

  • 论文标题:ToolSpace: Scaling Tool-Centric Environment Synthesis for Long-Horizon Agents
  • 论文链接:https://arxiv.org/pdf/2611.05036
  • 项目主页:https://toolspace-agent.github.io/
  • 代码仓库:https://github.com/dongguanting/ToolSpace
  • 模型合集: https://huggingface.co/collections/dongguanting/toolspace

ToolSpace:

将工具连成宇宙,按需合成环境!

一、工具空间探索

ToolSpace 将工具视为智能体执行任务的基本单元。为此,系统先从轨迹中还原工具之间有执行证据的连接,再将紧密关联的工具组织为环境,为其中需要持久状态的操作补齐底层数据。随后,系统在工具图上探索跨环境调用链,将可执行的链路转化为任务。整个流程由工具的连接关系牵引。

打开网易新闻 查看精彩图片

图 2 ToolSpace 的两个阶段。先从执行轨迹构建工具空间并按需构建环境,再以状态感知游走生成跨环境任务。

工具组合图建模。ToolSpace 收集了超过 20 万条智能体与工具交互轨迹,来源包括真实 MCP 服务、开放工具使用语料和真实工作区记录。不同来源的执行真实性不同,系统会分层筛选。对于合成环境中的轨迹,仅保留工具名称和参数结构与对应真实工具匹配的调用。

有了轨迹,下一步是找出工具之间的依赖。同一个工具换一组参数,可能产生不同结果,也可能通向不同的后续操作,因此图中的节点同时记录工具与规范化参数配置。系统再按确定性规则,从相邻调用中提取三类连接。

1. 数据依赖关注结果如何传递。例如,前一步返回文件 ID,后一步用这个 ID 读取文件。系统要求下游输入使用上游输出值,且字段类型匹配。

2. 状态依赖关注操作如何改变后续条件。例如,前一步修改某条记录,后一步读取或继续修改同一对象。识别这类连接需要检查对象及其状态是否衔接。

3. 重试依赖记录失败后的恢复路径。前一次调用返回错误,轨迹随后切换工具,并在下一次调用中成功,这段可恢复的错误与后续成功调用会一起保留。

这些连接由规则识别,边的权重来自轨迹中实际观察到的转移频率。系统会过滤低频边,并要求候选数据边的下游参数可追溯至上游输出,减少 limit=10 这类偶然匹配。

按需环境数据合成。ToolSpace 根据工具连接密度聚类,并结合真实 MCP 服务配置组织环境。包含创建、修改或删除工具的环境,需要生成底层数据库,并通过单元测试与状态变化检查。查询类工具返回的局部状态可用于初始化环境,无状态工具则在匹配的回放调用中复用缓存结果。这使系统能将数据库合成集中在确实需要维护和改变持久状态的环境上。

二、跨环境可验证任务合成

状态感知随机游走。工具组合图给出了可以探索的方向,具体调用能否继续,还取决于当前状态。ToolSpace 从绑定初始快照的节点出发,先检查下一步的输入能否从此前返回结果或当前状态中取得、执行前提是否满足,再按边权重抽样后继工具。轨迹中出现更频繁的连接,获得更高的抽样概率。

回退采样:抽中下一步后,系统会执行工具并更新状态。遇到调用失败,或结果与该连接要求的数据、状态关系不一致时,就恢复执行前的快照,重新选择路径。反复回退后仍无法继续的链路会被丢弃。通过设置目标调用长度与跨越环境数量等条件,系统可以生成不同复杂度的工作流。

打开网易新闻 查看精彩图片

图 3 项目交互演示中的一次状态感知游走。调用链跨越 6 个环境,完成 28 次工具调用,经历 2 次回退,并通过回放验证。

可验证任务的反向合成。一条链路成功执行后,语言模型会根据调用过程及状态变化,反向生成自然语言任务。任务描述保留用户目标与约束,省去工具名称和调用顺序,让接受训练的智能体自行规划完成路径。

系统同时生成断言脚本,用程序检查最终状态、关键中间状态及必要的返回字段。随后,环境恢复到初始快照,调用链从头重放,只有全部检查通过才保留样本。每条样本都包含任务、验证脚本、工具链与初始快照,后续可以重新执行并检查结果。任务去重后,系统进一步生成教师轨迹,并用验证脚本筛选,供模型训练使用。论文在任务反向生成与教师轨迹生成两个环节均采用 Kimi K3。

三、ToolSpace 的静态数据统计

环境统计。ToolSpace 从 2,042 个不同的标准化工具中构建出 77,760 个工具调用模式节点,并组织为 804 个环境。三类依赖中,数据依赖占 69%,状态依赖占 25%,重试依赖占 6%。工具空间既包含中间结果的流动,也记录状态变化与失败恢复。这些环境覆盖通信、金融、文档设计、数据存储、搜索等领域。其中,181 个环境包含可以修改状态的操作工具,占 22.5%;其余环境不必都从头合成完整数据库。搜索、文件读取和邮件发送等工具还可以在多个环境中复用,为跨环境组合提供基础。

打开网易新闻 查看精彩图片

图 4:工具空间的领域分布、环境工具数量及依赖类型统计。(论文图 4)

数据统计。ToolSpace 共生成 34,376 条轨迹。在至少包含 5 次工具调用的子集中,平均每条轨迹包含 18.86 次工具调用,最多 209 次;平均跨越 2.29 个环境,最多 22 个;至少 66.2% 涉及两个或更多环境。

打开网易新闻 查看精彩图片

图 5:至少包含 5 次工具调用的 21,385 条轨迹的长度、调用次数与跨环境数量分布。(论文图 5)

实验结果 1:

从 8B 到 744B

七项长程工具基准显著提升

研究团队首先在七项长程工具使用基准上评估 ToolSpace,包括 AutomationBench、SkillsBench、JobBench、τ³-Bench Banking、BFCL V4、Harvey LAB 与 OfficeQA Pro,覆盖办公自动化、函数调用、银行交互和文档问答等任务。实验使用同一套合成流程生成的数据,对 8B、35B 和 744B 规模的模型开展训练,检验跨环境工具组合数据能否改善长程任务表现。

打开网易新闻 查看精彩图片

表 1 七项基准完整结果。Avg. 为七项平均分,+ Agent RL 表示监督微调后的强化学习结果,744B 模型仅经监督微调。(论文表 1)

从七项平均分看,不同规模模型均获得提升。Qwen3.6-35B-A3B 经过监督微调后,平均分从 23.0 提高至 41.0,其中 AutomationBench 从 8.2 提高至 45.8。基于 GLM-5.2 的 ToolSpace-744B-A40B 仅经监督微调,平均分便从 44.6 提高至 56.6,与 Claude Opus 5 在这七项基准上的平均分持平。

在线强化学习进一步将 35B 模型的七项平均分从 41.0 提高至 43.2。其中,τ³-Bench Banking 从 34.0 提高至 42.3。该结果表明,在监督微调建立工具使用能力后,环境内探索仍能为多步操作带来额外收益。

实验结果 2:两大 Pro 基准的构建与评测

除了生成训练数据,研究团队还将 ToolSpace 用于扩展现有评测。在 AutomationBench 与 τ³-Bench Banking 中,系统接入具有数据或状态依赖的外部工具,沿更长的调用链生成任务,构建 AutomationBench Pro 与 τ³-Bench Banking Pro。评测比较七个模型在标准版与 Pro 版上的表现,检验升级后的工具编排与跨环境执行难度。

打开网易新闻 查看精彩图片

表 2 两项 Pro 基准的评测结果。Std. 为标准版,Pro 为升级版,Δ 为升级版与标准版的分差。标准版分数来源见论文表注。(论文表 2)

评测结果显示,七个模型在两项 Pro 基准上的得分均低于标准版,其中 AutomationBench 的最大降幅为 38.2 分。对三个模型执行过程的统计还显示,它们在两项 Pro 基准上平均调用了更多工具。Pro 版本同时扩展了调用长度、环境范围与依赖关系,这组结果反映了整套任务升级带来的执行难度。

实验结果 3: 环境与数据规模分析

研究团队分别调整训练数据比例和训练环境覆盖比例,考察模型表现随规模扩展的变化。前者检验增加合成样本的收益,后者检验扩大工具与环境覆盖的作用,两组实验分别控制相应的规模变量。

打开网易新闻 查看精彩图片

图 6 数据与环境规模实验。上排逐步扩大训练数据比例,下排逐步扩大训练环境比例。(论文图 7)

随着合成数据与训练环境覆盖范围扩大,模型表现总体持续改善,但不同任务的收益曲线存在差异。AutomationBench 在较低的环境覆盖率下就出现明显提升,银行交互任务的收益则更多出现在覆盖率较高时。作者将这一差异与任务依赖的工具范围联系起来,通用办公涉及更广的跨服务组合,银行任务则更集中于特定业务状态的操作。

研究团队进一步比较了两种环境选择方式,分别使用与评测最相关的一半环境,以及随机抽取的一半环境。在 AutomationBench、SkillsBench、BFCL V4 和 OfficeQA Pro 上,两者的最大分差为 1.7,且均接近全量环境训练的结果。在这组对照中,按评测相关性筛选环境带来的额外收益有限,支持了工具组合训练在不同环境之间的迁移潜力。

总结

ToolSpace 将环境合成的起点从数据转向工具,从执行轨迹中提取工具依赖、构建组合图,再按需组织环境并合成跨环境任务。通过调节调用长度与环境范围,系统能够扩展任务复杂度,并以状态检查、失败回退和回放验证为样本提供可核验的执行依据。训练、评测及分析实验展示了这一路径的应用潜力,为长程智能体提供了一种可扩展、可验证的环境与任务合成方法。

这项工作的价值在于,将真实工具的组合关系引入环境与任务合成,为训练能力向实际工作流迁移提供基础。随着工具及其连接不断扩展,同一套框架可以覆盖更多跨服务协作场景,并通过按需构建底层数据减少环境合成工作量。训练数据与评测任务也能沿着共同的工具空间持续扩展,为研究智能体在更长流程、更多环境中的泛化能力提供支撑。

作者与团队信息

研究团队主要来自中国人民大学和复旦大学。其中本论文的共同第一作者为董冠霆、孙志超与杨欣羽,通讯作者为桂韬和窦志成。