💡 一句话总结 ：做 Agent 后训练最头疼的是「没有可信环境」。人大、复旦、上交团队发布的 ToolSpace 把环境合成的顺序整个倒过来------不先造数据库，而是先从真实执行轨迹里挖出工具之间被验证过的依赖关系，让任务复杂度从工具组合空间里自然长出来。Qwen3.6-35B 七个长时程基准均分 23.0 → 41.0 ，744B 版本 56.6 分追平 Claude Opus 5，代码、模型、数据全部开源。
导语：你的 Agent 训练数据，可能从头就是「塑料」的
先问一个可能戳到你的问题：你给 Agent 做 SFT 或者 RL 的时候，训练环境哪来的？
大部分团队的路子是「合成」：挑个主题（比如订机票、管邮件），让模型生成一个数据库，再配上一些工具定义，最后编几个任务。听起来很顺，对吧？但跑过真实业务的人很快会发现不对劲------模型在合成环境里分数很高，一接到真实 MCP 服务上就露馅：参数格式对不上、调用顺序想当然、跨服务的任务完全不会拆。
想自己动手试？
11 月 3 日，人大、复旦、上交三校联合团队在 arXiv 挂出的 ToolSpace ，把矛头直接对准了这个「合成环境塑料感」的问题。论文的核心论断很锋利：工具才是 Agent 能力增长的原子单元，不是环境数据------你先造环境再派工具，顺序从根上就反了。
这篇论文到底想解决什么问题？
论文管现在的主流路子叫数据中心（Data-Centric）环境合成：先造数据库和场景，再从里面派生工具和任务。作者指出这个顺序有三个先天缺陷，每一个都对应一线同学熟悉的翻车现场。
- 工具-功能错配：合成工具的参数逻辑是模型照着假数据库编的，跟真实工具接口定义对不上。Agent 学到的不是「怎么操作真实生态」，而是一套只在你自己沙箱里有效的「塑料协议」。
- 编排不真实：工具之间该不该连、怎么连，靠随机连边或者让 LLM 拍脑袋判断。可真实工具链路是有业务逻辑的------先查列表再读详情、先创建再修改，这些关系让 LLM 主观猜，猜出来的图看着像那么回事，执行起来全是断头路。
- 任务困在单环境：工具被锁在各自的沙箱里，跨环境组合连个显式的可达关系都没有。而真实任务偏偏经常跨服务------查完 Gmail 再把结果写进 Google Sheets，再拉个 Slacking 群通知。单环境里永远练不出这种长链编排。
三个缺陷共享同一个根因：环境合成的依赖顺序反了。真实世界里，是先有工具及其组合关系，环境数据只是工具执行的产物。要解决，就得把这个顺序摆正。
它的思路是什么？
ToolSpace 的答案分两个阶段，我们一层层拆。
🛠️ 第一阶段：从真实轨迹里「考古」出工具组合图
首先，团队攒了 20 万条真实执行轨迹：一部分是在真实 MCP 服务上跑出来的（从 Smithery 注册表拿真实工具目录，只保留工具定义与线上服务器精确匹配的任务），另一部分从开放语料收集（Toucan-1.5M、ToolBench 的真实调用，SWE-agent/OpenHands 在真实容器里的操作记录），按执行真实性分三级递进过滤。
然后是全文最关键的一个设计决策：对轨迹里相邻的两次工具调用 ，用确定性规则（注意，不是 LLM 判断）连出三类边。
- 🔗 数据依赖 ：下一步的输入用了上一步输出里的值，且字段类型匹配------比如搜索接口返回的
file_id被下游的读取接口拿去用了。 - 💾 状态依赖 ：上一步修改了某个环境对象，下一步读写的是同一个对象，不是碰巧数值相等------先创建订单再查询这笔订单，才算。
- 🔁 重试依赖：上一步报错、换了个工具、下一步成功了。错误也是有效信息，连着成功重试一起保留。
每条边还带频率权重（这对工具组合在真实轨迹里出现了多少次），低频边和参数溯源不上游输出的假边（比如大家共用 limit=10 这种常数）直接剪掉。
为什么坚持规则而不是 LLM？这里先按下不表，后面消融实验的数字会告诉你这个决定值多少钱。
图说：左半边是 Stage 1------轨迹进、工具组合图出、按需造环境；右半边是 Stage 2------图上随机游走出长链，反编译成任务，回放验证通过才保留。
🗄️ 按需造环境：无状态的不造库，成本直接砍半
有了图，接着按连接密度聚类出 804 个环境簇。这里 ToolSpace 做了个很务实的区分------不是所有环境都值得造数据库：
- 操作环境（含增删改工具的，181 个，22.5%）：才真正需要底层数据库，用研究智能体按主题从网络收集对齐数据、迭代扩展，过单元测试才保留。
- 状态查询环境 ：不造库，直接拿
gmail.users.messages.get这类工具的真实返回值当锚点恢复初始快照。 - 无状态环境（623 个，77.5%）：连快照都不要，缓存的工具返回直接当执行输出。
这个「选择性物化」策略的效果很直接：抽 500 个环境对比，数据中心方法 Agent-World 要合成 2,724 个文件，ToolSpace 只需要 1,218 个------少了 55.3%。省钱这种事，能从架构上省就别从工资里省。
🎲 第二阶段：带回滚的随机游走 + 回放验收
环境就位后，Stage 2 在图上做状态感知随机游走：从绑定初始状态的节点出发，每一步只考虑「输入能被之前返回值或当前快照填满」的邻居，按边权重采样下一步------真实世界里常一起出现的工具组合，更容易被走到。
游走是真执行的：每步真实调用工具、更新状态快照。执行失败或者状态跟所走的边类型对不上，就回滚到上一步重采。走满目标长度、跨够目标环境数，这条链才算活下来。
图说：项目页的交互 Demo 截图。右边能看到每一步的候选后继和采样概率------这不是画出来的示意图，是真实跑出来的执行记录。
最后一步是「反向出题」：让 LLM 把每条链路反编译成不含工具名、不含调用顺序 的自然语言任务（逼 Agent 自己做规划），同时生成三合一断言集------查最终状态、查关键中间快照、查返回字段。这条链要从初始状态完整回放一遍、全部断言通过，才能进训练集。
看出来了吧？整条流水线的哲学就是「宁可少要，不可造假」：边的真实性靠执行记录背书，链路的可执行性靠回滚保证，任务的可验证性靠回放验收。每层都在过滤「看起来像」的数据，只留「确实跑得通」的。
效果到底怎么样？
直接看数字。三个骨干模型（8B / 35B / 744B），七个长时程工具使用基准（AutomationBench、SkillsBench、JobBench、τ³-Bench Banking、BFCL V4、Harvey LAB、OfficeQA Pro），三个规模全涨。
- 🎓 35B 档最亮眼 ：Qwen3.6-35B-A3B 底座均分 23.0，SFT 后 41.0（+18.0） ，再加 on-policy RL 到 43.2。同规模的 7-8B 环境扩展系基线（EnvScaler、Agent-World、Agent-Reflex）全都不到 10 分。
- 🧊 744B 档追平闭源旗舰 ：GLM-5.2 骨干从 44.6 练到 56.6，与 Claude Opus 5 的 56.6 持平，超过 GPT 5.6 Sol（48.9），也超过它的教师模型 Kimi K3（49.7）。
- 📈 8B 档碾压同类：7.2 → 20.7，而全部 7-8B 环境扩展基线都在 10 以下。
图说：左图是训练数据比例的 scaling，右图是环境数量比例的 scaling------两条曲线都在涨，说明增益不是靠一小撮高质量样本，而是真的来自组合空间的覆盖面。
更有意思的是两个「排除了侥幸」的分析。一个是环境相关性实验：把与评测基准最相关的前 50% 环境挑出来训练，跟随机抽 50% 比，四个基准差距不超过 1.7 分------说明收益不是过拟合基准环境，学到的确实是可迁移的组合结构。另一个是任务多样性：t-SNE 聚类下 ToolSpace 的合成任务形成 42 个簇，明显多于 EnvScaler（25）、Agent-World（31）、Agent-Reflex（34）。
还有一组数字专治「合成数据是不是塑料的」的怀疑------就是前面卖的那个关子。消融实验里，把「确定性规则挖边」换成「让 LLM 判断该不该连边」，五个基准全面退化，退化幅度几乎等于直接砍掉状态依赖边。换句话说，LLM 的主观编排判断不仅没加分，反而约等于噪声源。在执行证据可得的时候，朴素的规则赢了，而且赢得不小。
Pro 版基准更是把「难度上限」拉出来遛了一圈：用同一流水线把 AutomationBench 扩成跨环境的 Pro 版后，七个前沿模型全部大幅掉分，最大跌幅 38.2 分，Claude Opus 5.5 也掉了 32.9 分。跨环境长链编排，现在就是前沿模型的软肋。
为什么你要关心？
说三件跟你直接相关的事。
- 做 Agent 训练的团队：环境合成的成本大头（造数据库）可以砍一半以上------先问自己「这个环境真的需要持久状态吗」，无状态工具直接缓存回放。这个思路不需要全套 ToolSpace，明天就能在你自己的数据管线里用。
- 做工具生态/MCP 服务的：你的工具有没有被合成进训练数据，可能直接影响下游 Agent 对它的「肌肉记忆」。ToolSpace 的建图规则（数据/状态/重试三类依赖）反过来也是一份「工具接口设计检查清单」------参数可溯源、状态语义清晰的工具，才容易被 Agent 学会用。
- 做评测的：Pro 版基准的造法（同流水线扩难度 + 专家审核）给「基准太快被刷满」提供了模板。你的 benchmark 下次升级难度，未必需要人工出题。
再往远看一层：这篇论文和近期的 Agent-World、WorkRover 等工作一起，正在把「环境工程」变成 Agent 领域的正式分工------就像当年 RLHF 把「奖励建模」独立成一个岗位。数据合成不新鲜，带执行验收的合成才是这批工作的共同门槛。
理性看待
几处需要保持清醒的地方。工具图是从既有 20 万条轨迹里挖的，组合空间受限于轨迹里出现过的组合------冷门但有用的编排模式进不了图，随机游走也只在图内探索。回放验收保证「链路可重放」，但不保证「任务对人类自然」：断言锚定的是标准解法路径，可能误伤正确但路径不同的解法（论文未报告假阴性率）。744B 的对比也别简化传播------那是用 256 卡在 GLM-5.2 上特化训练过的版本，跟官方 GLM 5.3 并列看时别忽略这个差异。另外成本节省的 55.3% 是合成文件数的代理指标，不是真实的 token 或美元开销。