ToolSpace：用真实工具调用轨迹构建更难的长程智能体环境

导语

让智能体真正完成长程任务，难点并不只是让模型“会调用工具”，而是让它理解工具之间的依赖、状态变化和失败后的恢复路径。ToolSpace的切入点是改变环境合成顺序：不再先造一个数据库，再根据数据库设计工具，而是从真实工具调用出发，反向构建可执行的智能体环境。

核心方法

• 从调用轨迹挖掘工具关系。 ToolSpace收集真实MCP服务的执行轨迹以及开放智能体语料，分析相邻调用之间的数据依赖、状态依赖和重试关系，并用确定性规则构建加权工具组合图。相比由语言模型主观判断工具是否相关，这种“执行见证”的边能够更直接地反映真实工作流。
• 按需生成环境。 工具图经过聚类后形成不同环境。对于会改变状态的工具，系统才合成相应数据库；对于查询类或无状态工具，则重放已经记录的返回结果，从而减少不必要的环境建模，也更好地保留真实接口特征。
• 用回放保证任务可执行。 系统在工具图上进行状态感知的随机游走，并在必要时回滚，随后把工具调用链反编译为自然语言任务和基于断言的检查脚本。只有从初始状态出发能够成功重放的样本才会被保留。

实验观察

ToolSpace被用于升级AutomationBench和tau3-Bench Banking，生成更具挑战性的Pro版本。在这些版本上，7个前沿模型的表现最高下降38.2个百分点，说明传统基准可能低估了长程工具组合的真实难度。

在七项长程工具使用基准上，Qwen3.6-35B-A3B的平均得分由23.0提升至41.0，加入强化学习后达到43.2；GLM-5.2则由44.6提升至56.6，接近Claude Opus 5的水平。消融实验还表明，基于实际执行的工具边明显优于由语言模型评估得到的边，并且随着数据规模和环境规模扩大，智能体性能仍在提升。

意义与影响

ToolSpace的价值不只是生成更多任务，而是把“工具是否真实、组合是否可执行、结果是否可验证”纳入同一条流水线。它为长程智能体训练提供了更连续的状态空间，也为评测跨工具、跨环境协作能力提供了更严格的基准。

不过，这种方法的质量仍取决于底层调用轨迹的覆盖范围与可靠性。若真实轨迹集中在少数工作流，工具图可能继承相应偏差。因此，未来仍需要更丰富的服务类型、更复杂的失败模式以及对跨环境泛化能力的进一步检验。

来源：Hugging Face Daily Papers