无模式数据合成框架STS实现企业级智能体训练数据生成

工具调用型智能体已成为企业级人工智能应用的核心形态，但要在规模化条件下训练和评估这类智能体，却长期受制于商业与法律层面对企业系统、数据以及数据库模式的访问限制。如何在不触碰真实敏感数据的前提下，构造出既符合结构约束、又贴近真实分布的训练与评测数据，成为企业AI落地的一道关键难题。

针对这一困境，一篇来自arXiv的研究论文提出了名为Synthesis Through Simulation（简称STS）的全新数据合成范式。与传统的表格数据合成方法不同，STS走的是完全无模式的路线：它让大模型智能体在模拟的企业环境中，通过执行针对策略强制型API的操作来生成数据。由于数据本身是在定义合法性的同一环境中产生的，STS在构造层面就自动保证了结构有效性，从而把有效性约束与分布建模这两件事彻底解耦，使二者可以独立优化。

论文指出，此前主流的两类方案各有软肋。表格数据合成虽然是一种自然的替代路径，但其效果从根本上受制于结构有效性与模式可用性；而基于流程的方法则走向另一个极端，往往缺少逐域人工编写便无法保证的分布保真度。STS试图同时绕开这两个陷阱：数据由智能体在模拟环境中真实执行操作而产生，天然遵守业务规则与约束；同时生成过程不依赖数据库模式，摆脱了对敏感模式的访问需求。

支撑这一范式的核心组件是通用填充器（Generalist Populator，GP）。作为一个领域无关的智能体，GP负责解决分布保真度与合成可扩展性这两项剩余挑战。研究给出的实验结果颇为亮眼：在完全不访问数据库模式的前提下，GP在全部十个环境中取得了0.88的平均边际保真度，以及百分之百的约束满足率。

对比实验进一步凸显了STS的优势。统计型合成器由于需要必要的种子数据，在其中七个环境上根本无法适用；而享有模式访问权限的智能体，在航空环境中面对高度耦合的工作流时，由于任务组合过于脆弱，高达82%的轨迹以失败告终。相比之下，GP既不需要模式信息，也能在复杂耦合场景中稳定完成任务并保持较高的分布拟合水平。

值得注意的是，研究团队将该框架、全部十个环境以及生成的数据集全部开源。对于企业AI开发者而言，这意味着可以直接复用这套模拟环境与数据生成管线，用于工具调用智能体的训练、评测与压力测试，而不必从零搭建仿真系统或担心合规风险。开源数据集也可以作为基准，帮助社区更客观地比较不同智能体在真实业务约束下的表现。

从方法论角度看，STS的价值在于它把"什么是合法的"与"什么是典型的"这两个问题分开处理：模拟环境负责前者，智能体的生成策略负责后者。这种解耦思路可能对更广泛的合成数据研究产生启发——当有效性可以由环境强制保证时，生成模型便可以把全部容量用于拟合真实分布，从而在保真度与可扩展性之间取得更好的平衡。随着企业AI对高质量工具调用轨迹数据的需求持续增长，这类基于模拟的合成范式有望成为数据供给的重要补充路径。