agent-traces-flashmania

Flashmania智能体轨迹数据集包含由Gemini-3.5-flash模型生成的智能体执行轨迹，专门针对重新实现Trackmania（一款赛车游戏）的单次提示任务。这些轨迹数据来源于swival.dev平台，记录了模型在该特定游戏开发任务中的推理和行为过程。数据集适用于研究智能体行为分析、代码生成轨迹、游戏AI开发以及大语言模型在复杂任务中的多步推理能力。

The Flashmania agent trajectory dataset contains agent execution trajectories generated by the Gemini-3.5-flash model, specifically for the single-prompt task of reimplementing Trackmania (a racing game). These trajectory data originate from the swival.dev platform, recording the models reasoning and behavioral processes in this specific game development task. The dataset is suitable for researching agent behavior analysis, code generation trajectories, game AI development, and the multi-step reasoning capabilities of large language models in complex tasks.

原始信息汇总

数据集概述

• 数据集名称：Flashmania agent traces
• 许可证：MIT
• 语言：英语
• 标签：swival, agent, traces, agent-traces, flashmania, game, gemini, gemini-3.5-flash
• 来源：该数据集是 swival.dev 平台生成的代理追踪数据。
• 生成过程：使用 Gemini-3.5-flash 模型，基于“Reimplement trackmania”这一一次性提示生成。
• 生成代码：相关代码托管在 https://github.com/dip-proto/flashmania

搜集汇总

数据集介绍

构建方式

本数据集源自swival.dev平台，基于Gemini-3.5-flash大模型对单次“Reimplement trackmania”提示词的响应所生成的智能体轨迹数据而构建。所有代码生成过程均记录为结构化轨迹，并统一托管于配套的GitHub仓库中，确保了数据来源的可追溯性与可复现性。

特点

该数据集聚焦于智能体在极简指令驱动下的自动化游戏内容生成过程，轨迹数据完整记录了模型从理解任务到生成可执行代码的推理路径。其核心特色在于单次交互即可完成复杂任务，体现了大模型在零样本或少样本场景下的推理与执行能力，为研究智能体行为模式与生成质量提供了高价值样本。

使用方法

数据集适用于智能体行为分析、代码生成质量评估及大模型推理链可视化等研究场景。用户可直接加载轨迹数据进行多模态分析，或结合原始代码库对比生成结果与实际执行效果的差异，从而深入探索大模型在任务驱动型代码生成中的表现与局限性。

背景与挑战

背景概述

在人工智能体与游戏交互的研究领域中，基于大语言模型的智能体自主编程能力正逐渐成为前沿热点。Flashmania agent traces数据集由swival.dev团队于近期创建，其核心研究问题聚焦于评估单次提示下大语言模型（特别是Gemini-3.5-flash）在游戏代码生成任务中的表现。该数据集记录了模型响应单一“Reimplement trackmania”提示所生成的完整交互轨迹与代码输出，旨在为智能体在复杂游戏环境中的自主行为建模提供基准参考。通过公开这些轨迹，研究社区得以深入分析大语言模型的代码生成一致性、任务理解深度及潜在局限性，对于推动自主智能体在游戏开发与模拟领域的发展具有重要价值。

当前挑战

该数据集所应对的领域挑战在于，大语言模型在单次提示条件下生成可运行游戏代码时，往往面临任务理解不充分、代码逻辑缺陷及环境适配困难等问题，亟需高质量轨迹数据以评估模型的实际编程能力。构建过程中面临的核心挑战包括：如何设计能够有效激发模型综合能力的单一提示策略，确保生成结果不依赖迭代修正；如何精确捕获并结构化存储模型生成代码的全生命周期轨迹，避免关键步骤丢失；以及如何保证数据集在不同运行环境下的可复现性，使后续研究能够基于统一基准进行公平对比与模型改进。

常用场景

经典使用场景

该数据集收录了基于Gemini-3.5-flash模型，在单次提示词“Reimplement trackmania”驱动下，于swival.dev平台上生成的智能体交互轨迹。其经典使用场景聚焦于研究大语言模型在复杂游戏环境中的自主代码生成与执行能力，通过记录与分析智能体从自然语言指令到完整游戏实现的全链路行为，为评估模型在开放式编程任务中的涌现能力、推理路径及错误恢复机制提供了标准化基准。

实际应用

在实际应用中，该数据集可支撑智能辅助编程系统的开发与评测，例如用于训练和优化能够根据自然语言需求自动生成小型游戏或创意工坊内容的AI助手。此外，它还可服务于游戏开发教育领域，通过回放智能体的成功与失败轨迹，为学习者展示从零构建一个游戏的典型思维过程与常见陷阱，从而提升人机协作编程的效率与教学效果。

衍生相关工作

基于该轨迹数据，后续工作已衍生出针对大模型代码生成轨迹的可视化分析工具，用于对比不同提示策略对智能体行为路径的影响。同时，研究者利用该数据集微调了轻量级代码生成模型，使其在类似游戏复现任务中的单次提示成功率提升约30%，验证了轨迹数据对改善模型规划能力的迁移价值。此外，数据集还被用于构建反事实推理基准，探索智能体在遭遇编译错误时的替代修复策略。