智能体训练环境不再先造数据库：ToolSpace从真实调用轨迹重建工具空间，七个基准平均分最高提升18分

智能体训练数据的合成顺序被倒了过来：不再先造数据库和场景再派生工具，而是把工具当作能力增长的基本单元，先重建工具之间的真实连接，再让任务复杂度从工具组合空间的扩张中长出来。 此前的环境扩展方法以数据为中心，先合成底层数据库与主题场景，再据此派生工具和任务，因此工具接口可能与真实定义不一致，工具组合缺少执行依据，任务也很少跨越一个以上环境。 重建出的工具图包含77,760个工具调用模式节点，来自2,042个不同的规范工具，节点平均出度为2.3、最大为56；其中数据、状态、重试三类边分别占69%、25%和6%，每条边都由真实轨迹中的相邻调用见证。

工具空间由执行轨迹直接长成：相邻调用之间的依赖用确定性规则判定，不交给大模型判断，再按连接密度把工具聚成环境簇。 数据依赖要求下游参数可追溯到上游输出且字段类型匹配，状态依赖要求前一次调用改动了某个环境对象、后一次调用读取或继续改动同一对象，重试依赖记录报错后换工具并成功的恢复过程；候选边按观测到的转移频率加权，低频边被剔除。 参考清单覆盖804个真实MCP环境，平均每个环境匹配10.86个工具、最多436个；其中453个工具（22.2%）会改动状态，181个环境（22.5%）属于操作型环境，其余环境复用记录返回值而不新建数据库。

任务由可执行链条反写而来：在加权工具图上做状态感知随机游走，按边权采样状态相容的后继，失败则回滚到快照并重采，保留下来的链条再被反写成不含工具名和调用顺序的自然语言任务。 每条链都配有断言式校验脚本，分别检查最终状态、关键中间快照和返回结果中必须出现的字段，只有从初始状态重放并通过全部检查的样本才进入数据集。 共合成34,376条轨迹，其中21,385条至少有五次工具调用；这些轨迹平均18.86次工具调用、最多209次，平均跨越2.29个环境、最多22个，至少66.2%的轨迹涉及两个及以上环境。

同一套流程可以把已有基准加难：把流水线锚定到AutomationBench与-Bench Banking，得到AutomationBench Pro（300个任务）与-Bench Banking Pro（98个任务）。 Pro版本在工具调用轮次和跨环境广度上都超过标准版本，AutomationBench上各模型的平均工具调用从标准版的26.8–43.6次升到Pro版的56.3–60.6次。 七个前沿模型在Pro版上全部明显下降，AutomationBench上最大降幅达38.2分，Claude Opus 5.5与GPT 6.1 Sol分别下降32.9分和26.1分；候选任务经三位博士级专家独立评审两天，只保留至少两位专家认可的任务。

已展示的范围是七个长程工具使用基准上的评测，以及AutomationBench与-Bench Banking两个基准的Pro版本构建；训练在Qwen3-8B、Qwen3.6-35B-A3B和GLM-5.2-744B-A40B三个骨干上进行，所有ToolSpace结果取三次独立运行的平均。

环境合成成本的节省以合成文件数为代理衡量：在从Agent-World公开库随机抽取的500个环境中，Agent-World合成全部2,724个文件，ToolSpace只合成与操作型环境相关的1,218个文件，减少1,506个、即55.3%；原文说明该代理并不直接测量token、实际耗时、API或算力成本。数据规模分析中，SFT混合比例过小时BFCL V4与OfficeQA Pro出现低于骨干的小幅下降，比例提高后趋势才稳定。