擺脫實體環境束縛：利用大型語言模型生成 API 調用智慧代理人的高品質合成訓練資料

Problem

訓練 API 調用型 Agent 需要大量高品質的操作軌跡，但建構包含可執行 API 與真實預填資料庫的後端環境極為耗時，且難以針對不同應用場景進行大規模擴展，成為開發過程的主要瓶頸。

Method

採用「無環境合成資料生成」法，將大型語言模型視為即時數位世界模型。首先由模型根據 API 規格生成多樣化任務，再由 Teacher Agent 嘗試解題，過程中由 LLM 模擬器根據任務上下文與歷史紀錄，產生具連貫性的虛擬 API 回應。最後，透過 LLM 評審機制過濾並確保資料集的品質。

Results

在 AppWorld 與 OfficeBench 等包含資訊檢索與狀態變更任務的複雜基準測試中，使用此合成資料微調的模型性能獲得顯著提升。實驗結果證實，即使完全沒有實體執行環境，也能生成足以強化 Agent 能力的有效監督訊號。

Significance

此研究確立了基於 LLM 的 API 模擬是一種實用且具備高度擴展性的解決方案，讓開發者能跨越多元的 API 生態系訓練智慧代理人，大幅減少對複雜模擬環境或後端工程的依賴。