智能体合成数据不再只堆量：反馈改写合成空间，任务成功率从64.5%升到77.8%
核心概要
智能体训练数据的合成方式有了新变化：EvoSyn把学习反馈变成可修改的合成空间，让生成方向随任务智能体的弱项调整。此前的方法虽然也用环境反馈、数据校验或失败样本，但观察到的弱点并不能直接说明下一轮该生成什么，也未必能被现有合成维度表示。在τ-Bench与CAR-Bench上，以Opus 4.5为合成模型时平均任务成功率从最强合成基线的64.5%升到77.8%，首轮即达70.9%，多轮演化继续提升。
深度剖析
合成过程本身成为可修改的对象，而不只是按固定维度批量产出任务。 此前的合成方法把反馈用于构造可执行任务、校验或修复样本、或围绕失败生成更难的问题，但合成维度本身保持固定。 在τ-Bench与CAR-Bench上，以Opus 4.5为合成模型，EvoSyn-Final-SFT平均任务成功率为77.8%，高于Monolithic、Fixed-State、R-Zero风格与AutoPlay风格等合成变体，首轮EvoSyn-R1为70.9%。
系统把智能体的表现、覆盖与失败诊断映射回合成空间，再决定是重新分配生成预算还是新增可控因子。 反馈不再只用来筛选或修复单个样本，而是决定合成过程下一步该改什么。 在CAR-Bench上，去掉学习反馈使成功率从0.713降到0.660、轨迹多样性从0.769降到0.538；去掉Reflector使因子覆盖从0.893降到0.803；去掉Designer使成功率降到0.540。
新增因子是真实可操作的生成控制，而不是事后贴上的标签。 无反馈对照只能提出六个看似合理的维度，却一个都没命中实际被采纳的写读数量因子。 反馈条件下的Reflector提出的两个因子都被采纳，无反馈对照的采纳因子恢复率为0/6；在R2合成中，请求的num_write取值与实际轨迹重算值在多个领域和合成后端上精确匹配率为99.6%到100.0%。
启示与展望
报告覆盖的是交互式工具使用环境中的智能体数据合成，评测在τ-Bench的Airline、Retail、Telecom三个域与CAR-Bench Base设置上进行，指标为环境评估器给出的任务成功率。合成后端包括Claude Opus 4.5、Qwen3-30B与Qwen3-235B，默认任务智能体为Qwen3-8B，并额外考察14B与30B规模。合成最多运行三轮，每轮Reflector最多引入一个新因子。
多轮收益在文中以观测到的成功率变化描述，作者明确说明跨轮次的边际学习增益分析是描述性的，不是对单样本效用的因果估计。因子可控性验证集中在num_write这一可直接测量的因子上，其他新增因子的可控性未逐一给出同等证据。