GraphForge：用证据图谱构建更可靠的工作型智能体训练任务

导语

要让智能体真正完成工作，它不仅要理解一段指令，还要能够阅读不同格式的文件、调用工具、协调多个步骤，并最终交付可检查的结果。问题在于，这类训练任务很难规模化构建：完全由模型生成的文件往往缺少真实工作的复杂性，而直接使用真实文件又容易缺少明确、可执行的评测标准。

GraphForge试图从“文件之间的证据关系”出发解决这一问题。该框架面向工作型智能体的数据合成，核心不是单独生成任务或文档，而是同时构建工作区、任务描述与验证机制。

核心方法

• 从职业场景种子开始：研究者先使用与职业相关的种子控制任务类型和多样性，再为每个种子组装由真实文件组成的工作区。
• 建立证据图谱：图谱记录工作区中文件及其关系，为任务中的事实、要求和产出提供依据。
• 让任务和评分标准可追溯：任务说明从证据图谱中推导，评分标准中的每个条件也都关联到能够验证它的文件，减少“要求无法证明”或“结果无法检查”的情况。
• 先测试，再修订：在收集智能体执行轨迹前，系统会进行初步执行测试；如果任务或评分标准与原始文件不匹配，修订智能体会进行修复。
• 将标准用于后训练：除监督微调外，研究还使用证据锚定的评分标准，从模型自身执行结果中筛选候选，开展拒绝微调。

实验结果与意义

论文报告称，在OpenHands环境下，使用2169条GraphForge轨迹微调Qwen3.6-27B后，GDPVal得分达到1445.7，较基线提升65.7。在Claude Code环境下，Workspace-Bench-Lite和SpreadsheetBench II分别达到63.7和24.0，提升幅度分别为7.7和13.7。进一步的拒绝微调在三个基准上都带来额外改进，说明由证据支持的评分标准不仅能评估结果，也可以成为训练数据筛选信号。

GraphForge的价值在于，它把工作型智能体训练中的几个难点连接起来：真实文件提供环境复杂度，证据图谱提供任务约束，执行测试保证任务可操作，锚定文件的评分标准则提供结果验证路径。相比只追求任务数量的合成流程，这种设计更重视任务是否能被执行、结果是否能被解释和复核。

当然，现有材料主要展示了框架思路和基准结果，尚不足以判断其对更多职业、文件类型或更长流程任务的泛化能力。未来值得关注的是，真实文件的授权与隐私处理、图谱构建成本，以及自动评分标准在开放式交付物上的稳定性。无论如何，GraphForge指出了一条重要方向：高质量智能体数据的关键，不只是生成更多任务，而是让任务、工作空间与验证证据形成闭环。

来源：Hugging Face Daily Papers