agent-apprenticeship-seed-dataset_v0.2

该种子数据集包含500多个从现实世界获取和整理的种子任务、495个可复用的代理课程、1000多个完整的代理执行轨迹、1000多个代理工作片段/任务展开、505个完整的代理工作经验汇编以及39000多个结构化经验汇编记录。数据集涵盖跨领域的专业且有经济价值的任务，构成了Agent Apprenticeship生态系统的第一层。This seed dataset contains over 500 seed tasks collected and curated from real-world scenarios, 495 reusable agent curricula, more than 1,000 complete agent execution trajectories, over 1,000 agent work segments/task rollouts, 505 complete agent work experience compilations, and more than 39,000 structured experience compilation records. The dataset covers cross-domain professional and economically valuable tasks, and constitutes the first layer of the Agent Apprenticeship ecosystem.

原始信息汇总

Agent Apprenticeship 数据集概述

Agent Apprenticeship 是一个开源的生态系统，旨在通过真实世界的代理任务执行，生成可复用的学习信号和数据，以改进未来的AI代理。其核心理念是“代理工作经验”的循环交换：经济价值的任务执行产生训练信号，信号改进未来的工作，新工作又为生态系统创造可复用的经验。

最新种子数据集 (Seed Dataset v0.2)

种子数据集v0.2已发布在 Hugging Face 上，具体地址为：https://huggingface.co/datasets/Forsy-AI/agent-apprenticeship-seed-dataset_v0.2

数据集包含以下内容：

• 500+ 个来源于真实世界的精选种子任务
• 495 条可复用的代理课程
• 1000+ 个完整的代理执行轨迹
• 1000+ 个代理工作片段/任务展开
• 505 个完整的代理工作经验汇编
• 39k+ 条结构化经验汇编记录

该种子数据集涵盖跨领域的专业、具有经济价值的任务，构成了Agent Apprenticeship生态系统的第一层。

生态系统功能

• 代理学徒：支持Codex、Cursor、Claude Code、OpenClaw、OpenCode、Hermes Agent和自定义代理等多种代理。
• 导师模型提供者：支持多种模型提供商，如OpenAI、Anthropic、Gemini、OpenRouter等。
• 工作经验循环：代理在自主、专家引导或组织定制模式下完成任务，通过迭代执行改进，并由导师代理或人类参与者评估。
• 公共与私有模式：用户可选择将工作经验贡献到公共生态系统，或仅在私有内部使用。
• 探索与复用：用户可以通过命令行搜索、检查、拉取生态系统中的工作经验，安装运行时训练以改进未来的任务执行。

搜集汇总

数据集介绍

构建方式

该数据集的构建植根于现实世界中的智能体工作流程闭环。通过让学徒智能体在导师智能体或人类专家的指导下执行实际任务，系统在每一次迭代中自动采集并结构化记录完整的执行轨迹、任务复盘、经验汇编及可复用的学习信号。种子数据集v0.2收录了超过500个从真实场景中提取并验证的种子任务，涵盖多个专业领域，最终汇聚为495条可复用智能体经验、1000余条完整执行轨迹、505份完整工作经验汇编及超过39000条结构化经验记录，构成了Agent Apprenticeship生态系统的第一层基石。

特点

该数据集的核心特色在于其搭建了一个开放的、具备经济价值导向的智能体经验交换生态系统。它不仅跨越代码开发、专业咨询等复杂长周期领域，而且通过内置的经济价值估算机制，为每个任务的执行赋予经济层面的衡量。数据集中既包含自主模式下的完整任务展开，也支持专家主导与组织定制模式，确保学习信号的多样性与深度。这种设计使得每次工作执行都能转化为推动生态内所有智能体共同进步的养料，实现了执行与共享改进的良性循环。

使用方法

使用者可通过npm或全局安装的`apprentice`命令行工具交互使用本数据集。初始化后，配置学徒智能体（如Codex、Claude Code等）、导师模型提供商和学徒模式（自主/专家引导/组织定制），即可执行实际任务。任务完成后，系统输出本地运行路径和经验汇编路径，用户可通过`apprentice ecosystem inspect`查看，使用`apprentice learn install`将先前经验编译为运行时训练信号，并在后续任务中加载调用以提升性能。此外，还可检索、拉取公共生态系统中的经验，并通过`apprentice ecosystem export`导出完整汇编，实现经验的灵活交换与重用。

背景与挑战

背景概述

随着人工智能体在长周期、经济价值高的任务中逐渐崭露头角，如何系统性地积累与复用智能体的工作经验成为关键瓶颈。由Forsy-AI团队于近期发布的Agent Apprenticeship Seed Dataset v0.2，旨在构建一个开放生态，通过工作流循环机制将真实世界的任务执行转化为可重用的学习信号。该数据集包含505份完整的智能体工作经验编译和超过3.9万条结构化经验记录，覆盖跨领域的专业性任务，为智能体的迭代优化与协作学习提供了基础数据支撑。

当前挑战

当前数据集面临的核心挑战在于：其一，真实世界任务的多样性与复杂性使得智能体的泛化能力面临严峻考验，单一任务执行轨迹难以涵盖所有边缘场景，导致学习信号的鲁棒性不足。其二，数据构建过程中，如何确保任务拆分、执行与评估的一致性，避免跨领域经验编译的质量偏差，是一大难题。此外，在促进生态系统内经验共享的同时，如何平衡数据隐私与开放协作，防止敏感信息泄露，也是构建过程中需持续攻克的壁垒。

常用场景

经典使用场景

在人工智能代理（AI Agent）的研究领域，数据集的经典使用场景是作为智能体工作经验学习的种子数据。该数据集包含了500余项源自真实世界的精选任务、495条可复用的代理经验、1000余条完整执行轨迹与工作片段，以及505份完整工作经验汇编。研究者可利用该数据集初始化代理学徒系统，让AI代理在工作流循环中通过自主或专家引导模式执行任务，从中生成可迁移的学习信号，从而将单次执行经验转化为集体共享的知识资产。

衍生相关工作

围绕该数据集，衍生了一系列重要的学术与应用工作。其中最为突出的是代理学徒生态系统的构建，它提出了通过学徒模式实现的代理工作经验循环机制，让学徒代理与导师代理或人类专家协作完成任务，并自动生成结构化的经验汇编。基于此，研究者开发了运行时训练安装机制，使得历史经验能够直接注入新任务的执行流程。此外，数据集所包含的多领域ALE（Apprenticeship Learning Experience）任务族镜像迁移任务，为探索跨任务域的经验复用与迁移学习范式提供了宝贵的实验基准。

数据集最近研究

最新研究方向

在智能体系统迈向长周期、高经济价值任务的时代，Agent Apprenticeship 种子数据集 v0.2 开创性地构建了真实世界工作经验的循环学习基础设施。该数据集通过收录 500 余项源自现实世界的种子任务、495 条可复用的智能体经验、超过 1000 条完整执行轨迹及 505 份完整的智能体工作经验汇编，将智能体从单一任务执行者转变为具备从历史实践中持续进化的协作实体。其研究前沿聚焦于“学徒制”工作流循环：智能体在导师智能体或人类专家的共同指导下完成任务，生成结构化学习信号，再通过运行时训练反向强化自身及生态系统中其他智能体的表现。这一范式与当前 AI 行业对自主工作流、持续学习和集体智能的追求高度契合，特别是为经济价值可量化的专业领域（如采购工具市场分析、AI 项目发布清单制定）提供了可观测、可复现、可共享的训练信号池。该数据集的出现标志着智能体训练数据已从静态标注样本转向动态、可循环利用的“工作经验”资产，为解决智能体能力泛化与跨域迁移难题提供了关键数据基石。