在人工智能领域，训练智能体与教授孩子骑自行车和背诵乘法口诀表有着异曲同工之处。传统的大语言模型训练主要依赖海量文本输入，让模型学会“接话”。然而，新一代的AI智能体需要具备调用工具、操作系统、搜索信息、修改文件等能力，这要求训练数据必须包含完整的“实战演练”过程，而非简单的问答对。
华为与上海交通大学联合团队近期发表的论文，聚焦于智能体训练数据生成的核心问题。研究团队提出ACE框架，即准确性（Accuracy）、复杂性（Complexity）、多样性（divErsity），为评估数据生成方法提供了系统性标准。该框架指出，优质训练数据需同时满足环境规范、任务信号、交互实现和验证器四个维度的要求，这类似于为厨师设计考题时需准备真实厨房、明确菜谱要求、观察烹饪过程并评判成品质量。
数据生成面临的首要挑战在于构建真实交互环境。正向生成路线通过搭建程序化环境、爬取现实数据或利用大模型生成虚拟场景三种方式实现。其中，程序化环境虽成本高昂，但能提供最可靠的验证基础。论文强调，仅依赖文本描述环境会导致状态变化无法验证，如同没有厨房的菜谱测试。逆向生成路线则通过任务优先、轨迹优先或结构优先的方式，从不同切入点构建数据生成流程。轨迹优先方法通过记录模型探索行为反推任务描述，有效解决了人工设计任务与实际执行路径脱节的问题。
准确性被论文视为数据生成的核心前提。研究团队将准确性分解为环境、任务、交互和验证器四个层面。环境准确性要求工具接口描述自洽，任务准确性需确保目标在给定环境中可实现，交互准确性直接影响模型学习效果，验证器准确性则决定奖励信号的可靠性。论文指出，错误的训练数据价值为负，如同错误答案的数学题会误导学生。为保证准确性，研究提出分层检查、约束驱动构建、执行验证和反馈驱动修复四种方法，强调验证应贯穿数据生成全流程。
复杂性维度打破了“数据越难越好”的误解。论文提出，任务难度应相对于特定模型能力进行动态评估，真正有效的训练数据应落在模型“通过学习能够掌握”的区间。这类似于健身训练中需根据肌肉力量调整杠铃重量。研究团队通过结构化控制和信息控制等手段调节任务难度，并采用失败驱动方法，根据模型实际表现筛选合适难度的任务。
ACE框架三个维度之间存在动态平衡关系。追求复杂性可能导致基础技能覆盖不足，扩张多样性可能增加错误风险。论文建议通过引入独立测试任务等方式，打破自我演化系统中的循环强化问题。研究团队还观察到，少量经过充分验证的高质量环境，其训练效果可能优于大量验证不充分的环境集合，这一发现对传统“数据规模至上”的观念提出挑战。
该研究对AI训练数据工程产生深远影响。论文强调，在评估数据生成方法时，应优先考察其能否提供准确、难度匹配且行为模式多样的训练样本。这种评估标准不仅适用于智能体训练，也为人类教育中的题海战术争议提供了新视角——真正有效的进步来自于持续接触正确、难度适中且新颖的问题。
