页面加载中…
搜索中文正文和常见中英文技术词，按教程、项目、面试题筛选。
「Agent 训练数据」找到 53 条内容
按专题浏览 →匹配正文：一个调研 Agent 面对“水的化学式是什么”，先调用 Search；面对简单乘法，也想搜网页；真正需要访问原文时，却停在搜索摘要。 很多团队会先怀疑 Prompt 没写好，或者模型太小。 但如果训练轨迹里大量任务都以 Search、Visit 开头，模型可能只是忠实模仿了高频动作。它没有学会判断“当前缺什么信息”，而是把“收到问题”与“先搜索”绑定在一起。 相关首次训练记录里，就出现了简单问题仍偏 Search 的现象，材料同时指出 Search、Visit 轨迹偏多可能是…
匹配正文：训练工具调用Agent时，数据单位不是孤立问答，而是完整轨迹。每一步要记录可见观测、模型动作、工具名与参数、权限检查、工具真实返回、错误类型、重试、最终结果和终止原因。缺少真实工具反馈，只保留一段看似合理的思考文本，会让模型学不到环境状态变化。 正轨迹应覆盖不同任务路径和边界条件，不只是最短成功案例；负轨迹要按可修复失败分类，例如工具选择错、参数错、权限不足、结果解析错、无效重试、超时和提前终止。对负样本可提供正确恢复动作或成对偏好，让模型学会发现并修复错误，而不是只学会把失…
学习内容与项目面试，在同一条路上。
匹配正文：答案要点 区分冷启动数据与迭代优化数据的不同获取策略 掌握合成数据生成的具体方法（模型蒸馏、Self-Instruct、多Agent互评） 理解人类反馈的收集形式与质量控制 说明环境交互数据的采集与回放机制 能结合具体场景权衡不同数据策略的优劣 Agent训练数据获取的三类核心途径 一、合成数据生成（解决规模化冷启动） 主流方法： 模型蒸馏：用GPT-4/Claude等强模型生成高质量轨迹，作为SFT监督信号 Self-Instruct演进：种子指令→模型生成→过滤去重→迭代…