#Data Generation

4 篇

EmbodiedSWE: Coding Agents for Long Horizon Dexterous Robotics

EmbodiedSWE：编码智能体用于长时程灵巧机器人及策略监督

🧭 编码智能体与机器人策略数据生成

ByteDance Seed · Yale University · Princeton University · Carnegie Mellon University · Stanford University

提出 EmbodiedSWE 基准与 EmbodiedSWE-Gen 流水线，用编码智能体解决机器人任务并生成大规模训练数据以提升 VLA 策略

📌 工作参考价值（4 点）

借鉴 EmbodiedSWE-Gen 的思路：让 LLM coding agent 在仿真/沙盒中生成任务解决方案（如推荐策略、用户模拟器或 query 改写规则），再通过参数扰动、初始状态随机化、对象属性变化等方式扩充为大规模多样化交互轨迹，用于训练排序/策略模型，降低人工标注成本并提升长尾场景泛化。
为 coding agent 封装可验证的工具 API 与奖励函数（例如模拟用户反馈、转化率仿真器、线上策略回放），使 agent 能迭代 refine 策略；业务上可将验证通过的 agent 方案蒸馏进轻量模型部署，避免线上实时调用的高延迟。
利用“单方案/单轨迹→多样轨迹”的扩增方法：在推荐系统中，将一条成功用户轨迹或一个高质量策略通过环境扰动、反事实操作、行为模拟生成大量多样训练样本，缓解数据稀疏和冷启动问题。
注意 agent 生成方案需要大量迭代交互且易任务特化，落地时优先离线用于高价值场景（如大促机制设计、自动化营销策略生成），并设置验证门槛以减少无效探索。

Agent | 2026-09-22 | HF Daily | score 6/10

What Makes Good Agentic Data? An ACE Lens on Data Generation for LLM Agents

什么是好的智能体数据？用 ACE 视角看 LLM 智能体数据生成

🧭 LLM Agent 训练数据生成

Huawei Technologies Co., Ltd · Shanghai Jiao Tong University · Northwestern University · Harbin Institute of Technology, Shenzhen · Shenzhen Loop Area Institute

提出 ACE 框架（准确性-复杂度-多样性）统一评估和设计 LLM 智能体的交互数据生成

📌 工作参考价值（4 点）

构建电商/搜索 Agent 训练数据时，可直接用 ACE 框架做数据质检：Accuracy 确保任务信号与环境反馈一致，Complexity 根据目标模型能力分配难度，Diversity 覆盖不同用户意图、商品类目和交互路径，避免只堆数据量。
将交互数据统一表示为 (E,q,τ,v) 四元组（环境、任务、交互轨迹、验证器），便于多源数据融合、版本管理和过滤，适合电商场景中模拟用户对话、搜索行为、工具调用等混合数据。
优先采用执行锚定的数据生成：让 Agent 实际调用工具并记录真实结果或环境反馈，而不是只生成最终答案，防止模型学到“看似合理但无法执行”的交互模式。
多样性不要只做表面改写（换词、换句式），要扩展行为覆盖：增加异常处理、多轮协商、不同查询路径等，这对电商 Agent 应对长尾场景尤其重要。

Training | 2026-08-26 | HF Daily | score 7/10

LLM Agents Data Generation Training Data ACE Framework Agentic Data

MetaCaster: Meta-Harness-Optimized Agent for End-to-End Few-Shot Learning of Lightweight Time Series Forecasters

元harness优化多智能体实现轻量时序预测器小样本训练

🧭 多智能体元优化 · 时间序列预测

University of Houston · NEC Labs · University of Waterloo · University of Connecticut · University of Illinois at Urbana-Champaign

用多智能体生成数据+元优化harness，从少量样本训练轻量时间序列预测器

📌 工作参考价值（4 点）

数据稀缺或隐私敏感场景（如新商品冷启动、低频事件预测），可借鉴多智能体数据生成：用 LLM agent 从少量真实样本+文本上下文合成训练数据，再训练轻量模型，避免直接依赖大模型在线推理。
将 LLM 定位为“离线工程师”而非在线预测器：在电商推荐中，可让 LLM 离线生成商品描述增强、用户兴趣特征或合成样本，训练轻量排序/CTR模型，保证线上低延迟和低成本。
多智能体分工（数据生成、过滤、评估）提升合成数据质量，该模式可迁移到推荐系统的数据增强 pipeline，通过多个 agent 协作筛选高质量样本。
meta-harness 优化思想：把数据生成流程（prompt/工具调用）视为可学习对象，用元学习在多个任务上优化，使生成数据能最大程度提升下游模型效果，可类比推荐中的自动特征工程或数据增强策略搜索。

MultiAgent | 2026-08-24 | cs.LG | score 7/10

MultiAgent Time Series Forecasting Few-shot Learning LLM Data Generation Meta-Learning

Environment-free Synthetic Data Generation for API-Calling Agents

面向 API 调用 Agent 的无环境合成数据生成

🧭 Agent 训练 · 合成数据生成

Apple

仅凭 API 规范，用 LLM 模拟世界模型生成完整交互轨迹，无需可执行环境即可训练 API 调用 Agent

📌 工作参考价值（4 点）

可直接应用于电商搜索/推荐 Agent：无需搭建完整 API 后端（如商品查询、订单状态 API），仅凭接口文档即可生成大量多轮训练轨迹，降低环境依赖。
LLM 模拟 API 响应时，通过注入任务上下文和交互历史保持状态一致性，可借鉴该思路为推荐 Agent 生成会话数据（如用户连续查询、筛选、下单）。
使用 LLM 评委过滤低质量轨迹，确保数据质量，可复用该自动质控流水线于企业内的 Agent 训练数据生产。
方法不依赖具体领域，可快速适配新 API 生态，适合多业务线（如搜索、广告、客服）快速冷启动 Agent 训练。

Agent | 2026-07-17 | HF Daily | score 7/10

Agent Synthetic Data LLM Simulation API Calling Data Generation