腾讯混元：仅靠堆任务不行！Skill Graphs用技能图谱实现Agent训练多样性飞跃

想象你在训练一个能熟练操作命令行的 AI Agent。直觉可能会告诉你：给它塞越多的练习任务，它的能力就会越强。但腾讯混元团队最新的研究却揭示了一个反直觉的结论：决定训练效果的关键，并不在于任务数量，而在于 AI 在执行过程中经历了多少种 不同的场景与技能组合。

他们构建了一张包含 8.2 万个场景节点 与 5.7 万项技能 的“技能图谱”。通过从这张图中采样出多样化的工作流路径来生成训练任务，成果非常显著：使用该方法训练的 Qwen3-32B（320亿参数）在权威终端 Agent 基准 Terminal-Bench 2.0 上斩获了 29.6% 的得分，直接超越了参数量是它 15 倍的 Qwen 3 Coder 480B（23.9%）。

这似乎说明，在 人工智能 的落地训练中，“多样性”正在碾压“参数量”。

问题核心：堆砌任务数量，却忽略了轨迹多样性

终端 Agent 是指由大语言模型驱动、通过命令行界面完成复杂任务的 AI 系统。训练此类 Agent，依赖海量的“执行轨迹”——也就是 AI 在终端中逐步操作的完整记录。

现有的合成训练数据主要走两条路：

1. 让 LLM 生成分类体系以扩展领域覆盖，但这往往与现实使用场景脱节。
2. 从 GitHub 仓库反推任务，但这又被局限在软件工程场景。

两条路都只关心“生成了多少任务”，却完全没有控制 AI 在这些任务里到底经历了多少种“场景×技能”的组合。

轨迹多样性对比

论文用数据直白地展示了这个痛点：现有数据集中，不同任务让 Agent 经历的场景和技能高度重叠，轨迹冗余极其严重。这就好比让一个学生刷了一万道题，结果发现全是同一个知识点的简单重复，自然收效甚微。

核心解法：用图谱结构控制训练轨迹的多样性

SkillSynth 的核心思路，是将 AI 操作终端的过程抽象为“场景-技能”序列。

• 场景：AI 在某决策点面临的状态（例如“视频文件已下载但未压缩”）。
• 技能：AI 在该状态下执行的一组动作（例如“用 ffmpeg 压缩视频”）。

每个技能都从一个“前置场景”指向一个“后置场景”，由此组成一张有向图。图中的任意一条完整路径，就对应了一个真实的多步骤工作流。

这张图谱的规模相当可观：82,073 个场景节点、57,214 条技能边，以及 185,529 个由 LLM 验证的桥接关系。其中 85.6% 的节点都连通在最大连通分量中，这意味着绝大多数技能都能被串联成完整的工作流，而不是碎片化的单步操作。

整个构建过程分为五步：从 ClawHub 和 GitHub 过滤技能 → LLM 推断每个技能的前置/后置场景 → 聚类去重 → 跨技能对齐（使得后置场景能精确匹配下一个技能的前置场景）→ 合并过滤。

采样策略同样是关键的一环：它采用了 逆频率加权 机制。这意味着那些被访问得少的节点和边会被优先选中，从而有效避免了路径扎堆在热门节点上，确保采样路径在“场景×技能”空间里覆盖得更加均匀。

自动生成：多 Agent 协作，单次跑出 3560 个验证任务

采样出抽象路径后，一个多 Agent 协作流程会将其变为可执行的具体任务：

1. 规划器将路径转换为结构化的子目标和预期输出。
2. 构造器根据计划生成完整的任务实例，包括指令、文件系统快照、容器环境、验证脚本及参考解法。
3. 双验证机制：执行验证（跑参考解法确保任务可解）+ 评分验证（LLM 判断指令和测试是否对齐）。
4. 若验证不通过，则会进入修复循环，最多进行 3 轮修复，每轮最多允许 20 次工具调用。

一次全自动运行的“成绩单”如下：从 3,721 条采样路径中，成功产出了 3,560 个通过严格验证的任务实例，Oracle 通过率高达 95.7%，而每个任务的平均生成成本仅为 $27.3。这些任务的难度可不低——哪怕是 Claude Opus 4.6，平均也得需要 37 步 才能解决，其中有 121 个任务在三次尝试中都未能攻克。

实验结果：多样性，始终优于单纯的数量

核心对比数据清楚地展示了 SkillSynth 的领先：

方法	TB 1.0	TB 2.0
Qwen3-8B + 单技能	8.7%	5.3%
Qwen3-8B + 随机多技能	13.4%	11.6%
Qwen3-8B + SkillSynth	17.1%	13.5%
Qwen3-32B + 单技能	25.4%	21.3%
Qwen3-32B + 随机多技能	30.8%	25.8%
Qwen3-32B + SkillSynth	33.8%	29.6%
Qwen 3 Coder 480B（未用 SkillSynth）	—	23.9%

在 TB 1.0 上，SkillSynth 比单技能基线高出 8.4 分，比随机组合多技能基线高 3.0 分。如果单纯看多样性指标，结果会更直观：SkillSynth 生成的轨迹，其唯一“场景-技能”覆盖率比单技能方案高 31%，比多技能随机组合也要高 19%。

消融实验还额外揭示了一个重要发现：不经过图谱引导，只是随机地拼凑多个技能，效果要差得多。原因在于这种随机组合缺乏 工作流连贯性——生拼硬凑出来的任务往往包含了多个细碎的要求，但实际需要执行的步骤却很少，训练价值大打折扣。

这对咱们意味着什么？

SkillSynth 早已不是一篇停留在纸面上的论文了。用它生成的任务实例，已经被腾讯混元团队实实在在地用于训练 Hy3 Preview 模型，直接拔高了终端场景下的 Agent 能力上限。

技能领域分布

图谱本身仍在持续“进化”。随着 ClawHub 社区贡献出更多技能，这张图谱可以自动生长，不断拉升任务的多样性。目前，图谱的覆盖范围已经触及编码、文档处理、DevOps、安全等常见领域，并延伸到了音频语音、3D 仿真、IoT 硬件等长尾领域。

图谱度分布

对于各位 AI 从业者来说，这篇论文传递的核心信息非常直白：训练 Agent 的胜负手，既不在参数量，也不在任务数量，而在于训练轨迹的多样性。与其盲目地堆数据量，不如学学用图谱结构，去精细地控制“场景×技能”的覆盖密度。毕竟，让模型见多识广，远比让它反复背题要有效得多。

论文标题: Toward Scalable Terminal Task Synthesis via Skill Graphs
论文链接: https://arxiv.org/abs/2604.25727v1