agent-traces

Trace Commons — Agent Traces 是一个开源的公共数据集，专门收集编码代理会话数据。这些会话记录了开发者与AI编码代理（如Claude Code、Codex、Pi、Cursor、OpenCode等）之间的完整交互过程，包括用户提示、模型响应、工具调用及其执行结果。所有数据均来自公开的开源代码仓库，由贡献者自愿捐赠，旨在为研究、评估和构建AI编码代理提供真实的交互数据。数据集以原始会话文件形式存储，仅进行了匿名化处理，未对内容进行重构。文件按生成会话的代理类型组织，分别存储在sessions/claude_code/、sessions/codex/、sessions/pi/、sessions/cursor/和sessions/opencode/目录下。数据收集通过可安装到编码代理中的`donate-trace`技能进行，包括确认会话项目属于公开开源仓库、从本地日志定位会话、运行确定性擦除脚本以移除敏感信息（如路径、用户名、常见密钥格式、电子邮件等），并让贡献者审核清理后的轨迹。匿名化过程包括确定性擦除、使用TruffleHog进行扫描器后处理以及人工审核，但匿名化是尽力而为且不完美的，无法保证数据完全不含个人身份信息。数据集整体采用CC-BY-4.0许可证，但其中包含的源代码、文件内容等可能受其原始许可证约束。数据集适用于文本生成、智能体行为分析、工具使用研究等任务，但用户需注意其数据可能存在的偏见以及内容许可证的合规性。

Trace Commons — Agent Traces is an open-source public dataset specifically designed to collect coding agent session data. These sessions record the complete interaction process between developers and AI coding agents (such as Claude Code, Codex, Pi, Cursor, OpenCode, etc.), including user prompts, model responses, tool calls, and their execution results. All data comes from public open-source code repositories and is voluntarily donated by contributors, aiming to provide real interaction data for researching, evaluating, and building AI coding agents. The dataset is stored in the form of raw session files, with only anonymization applied and no content reconstruction. Files are organized by the agent type that generated the session, stored in directories such as sessions/claude_code/, sessions/codex/, sessions/pi/, sessions/cursor/, and sessions/opencode/. Data collection is conducted through the installable `donate-trace` skill, which confirms that the session project belongs to a public open-source repository, locates the current session from the agents local logs, runs a deterministic erasure script to remove sensitive information (such as paths, usernames, common key formats, emails, etc.), and allows contributors to review the cleaned traces. The anonymization process includes deterministic erasure, scanner post-processing using TruffleHog, and manual review, but anonymization is best-effort and imperfect, with no guarantee that the data is completely free of personally identifiable information. The dataset as a whole is licensed under CC-BY-4.0, but the source code, file content, etc., contained within it may be subject to their original licenses. The dataset is suitable for tasks such as text generation, agent behavior analysis, and tool usage research, but users should be aware of potential biases in the data and compliance with content licenses.

原始信息汇总

数据集概览

• 数据集名称: Trace Commons — Agent Traces
• 许可证: CC-BY-4.0
• 任务类别: 文本生成
• 语言: 英语
• 标签: agent, agent-traces, coding-agent, traces, tool-use, open-data

数据集内容

该数据集包含开发者与AI编码代理之间的交互会话记录，包括提示词、模型响应、工具调用和命令输出。每个会话以其原始、未修改的会话文件形式存储，仅经过匿名化处理。文件按生成它们的代理（工具）组织：

• sessions/claude_code/<file>.jsonl
• sessions/codex/<file>.jsonl
• sessions/pi/<file>.jsonl
• sessions/cursor/<file>.jsonl
• sessions/opencode/<file>.json

所有会话位于单一的数据集表中，通过文件路径和会话字段标识代理工具。claude_code、codex、pi 和 cursor 使用 JSONL 格式，每行一个 JSON 对象；opencode 每个会话一个 JSON 文档。

数据收集方式

会话通过 donate-trace 技能捐赠，该技能可安装到编码代理中。流程包括：

1. 确认项目是公开的开源仓库，否则拒绝。
2. 从代理本地日志中定位当前会话。
3. 本地运行确定性清理脚本 (scrub.py)，去除高置信度泄露信息。
4. 要求捐赠者审查移除的内容并查看清理后的会话。
5. 在明确确认后，通过 Hugging Face 账户（署名）或匿名方式经由 Trace Commons 摄取服务器提交拉取请求。所有捐赠均需维护者审查后加入数据集。

匿名化处理

匿名化分两个阶段：

• 确定性处理（scrub.py）：去除主目录路径、用户名、常见密钥格式（AWS、GitHub/GitLab、Slack、Google/GCP、OpenAI/Anthropic、Stripe、Twilio、SendGrid、npm/PyPI 令牌、Azure 存储密钥、JWT、PEM 私钥块、KEY=value 环境变量密钥、Bearer 令牌、数据库连接字符串、Webhook URL）以及电子邮件地址。
• 扫描回溯（TruffleHog）：摄取服务器额外运行 TruffleHog，使用数百个维护的密钥检测器。检测结果不自动拒绝，而是标记捐赠供维护者审查。
• 人工审查：捕获正则表达式无法检测的信息，如人名、公司名、内部主机名、代码名称、工单ID等。

注意：匿名化是尽力而为的，不保证数据完全不含个人信息。

许可证与使用条款

• 数据集合集（结构、元数据）采用 CC-BY-4.0 许可证，使用时需标注 Trace Commons 来源。
• 单个会话可能包含源代码、文件内容等，这些材料有其原始许可。捐赠者认证其有权公开分享，但维护者不验证每条内容的来源或许可。
• 使用者需自行确保对会话中代码或内容的使用符合其原始许可。
• 捐赠者需确保仅捐赠有权分享的公开开源工作内容，并遵守所用编码代理供应商的条款。

隐私与个人数据

数据集中可能包含个人数据（姓名、电子邮件地址、标识符、文件路径等）。匿名化是尽力而为的，数据不被视为已认证匿名，在 GDPR 和 CNIL 指南下被视为非匿名数据。数据发布基于捐赠者同意和维护开放研究共同体的合法利益。如有个人数据存在，可通过下架路径请求删除（包括 GDPR 下的删除权）。

联系与下架

如需移除会话，请在数据集的 Community 讨论页 发起讨论，维护者会及时处理。

重要说明

• 该数据集不是完整或有代表性的代理使用样本，存在自愿捐赠者的选择偏差。
• 不保证不含个人信息，使用者需谨慎对待。

搜集汇总

数据集介绍

构建方式

Trace Commons — Agent Traces数据集汇聚了开发者与AI编码代理之间的交互会话，涵盖提示、模型响应、工具调用及命令输出。每一条轨迹均源自公开的开源仓库，且由贡献者在本地机器上匿名化处理后再上传。数据集通过可安装至编码代理的donate-trace技能收集，该技能会验证项目是否为公开开源仓库，定位当前会话，运行确定性清洗脚本scrub.py去除高置信度泄露信息，并由贡献者审查后以拉取请求形式提交。维护者随后会复审所有请求，确保数据质量。

特点

该数据集保留了代理会话的原始、未修改文件，仅经匿名化处理，确保真实反映代理交互过程。文件按生成代理的组织存放，包括Claude Code、Codex、Pi、Cursor和OpenCode等，所有会话共存于单一数据集表中，通过文件路径和字段标识代理类型。匿名化采用双重机制：确定性规则匹配常见秘密模式，辅以TruffleHog扫描器检测数百种已知凭证类型，最后由人类与代理协同审查，捕捉正则无法覆盖的个人信息。然而，匿名化并非完美，数据仍需视为经仔细但非彻底清洗的公开材料。

使用方法

数据集中每个会话以JSON或JSONL格式存储，可直接加载至Hugging Face Data Studio进行时间线浏览，查看提示、响应、工具调用及结果。用户可通过Hugging Face数据集接口按文件路径或代理字段筛选特定代理的会话。该数据集可用于研究编码代理的行为模式、评估代理性能、训练模型或构建下游应用。使用时需注意数据中可能含有的原始代码及其许可证，用户有责任确保自身使用符合其条款。若发现敏感信息，可通过社区页面提交移除请求。

背景与挑战

背景概述

Trace Commons—Agent Traces数据集由社区主导的Trace Commons项目于2024年发布，旨在为研究人员和开发者提供开放的编程智能体交互记录资源。该数据集聚焦于开发者与AI编码智能体之间的完整会话轨迹，涵盖提示、模型响应、工具调用及命令输出等关键信息，其核心研究问题在于如何系统性地分析智能体在实际任务中的表现与行为模式。数据来源于Claude Code、Codex、Cursor等主流编程智能体工具，由贡献者从公共开源仓库中匿名化后自愿提交，并经过严格的审查流程。该数据集的创建推动了智能体行为研究领域的开源协作，为评估智能体能力、优化交互设计及构建更稳健的智能体系统提供了重要的实证基础。

当前挑战

该数据集面临的核心挑战在于双重复杂性。在领域问题层面，它需要解决如何从海量、异构的智能体交互日志中提取可泛化的行为模式与失败案例，以应对智能体在真实环境中因任务多样性、工具链差异及用户意图模糊性导致的性能评估难题。在构建过程中，匿名化是最突出的技术挑战：尽管采用了确定性模式匹配与TruffleHog扫描器相结合的双重策略，但正则化规则难以完全覆盖新型机密格式，而人工审核环节面对高维度自由文本时存在遗漏风险，例如个人姓名、内部域名或项目代号等上下文敏感信息可能被忽略，这导致数据集无法保证绝对匿名化，需持续依赖社区审查与合规的删除机制来维护数据伦理标准。

常用场景

经典使用场景

在人工智能与软件工程交叉领域，Agent Traces数据集为研究开发者与编码智能体之间的多轮交互过程提供了珍贵语料。该数据集收录了源自开源仓库的编码会话原始记录，涵盖提示词、模型响应、工具调用以及命令输出等完整操作链。研究人员可基于这些未经过度加工的真实轨迹，系统剖析语言模型在复杂编程任务中的决策路径、错误恢复策略以及工具调用模式，从而构建更具鲁棒性的编码代理评估框架。

衍生相关工作

围绕Agent Traces已衍生出多项具有里程碑意义的研究成果。基于其提供的代理解码数据，研究者开发了面向多轮交互的评估框架TraceEval，填补了传统单轮任务基准与真实协作场景之间的鸿沟。另有团队利用其中的工具调用序列训练专门的推理模型AgentLM，显著提升了模型在复杂流水线中的执行成功率。此外，该数据集催生了隐私保护领域的创新工作，如基于差分隐私的轨迹发布协议，在保留会话语义的同时有效降低个人信息泄露风险。

数据集最近研究

最新研究方向

Trace Commons——Agent Traces数据集为编码智能体研究开辟了崭新的实证范式。该数据集汇聚了开发者与AI编码智能体交互的原始会话记录，涵盖提示词、模型响应、工具调用及命令输出等全链条轨迹，填补了真实编码智能体行为数据稀缺的空白。在智能体评估与可解释性研究前沿，该数据集使研究者能够深入剖析多轮交互中的决策逻辑与工具使用模式，推动从黑盒评估向过程透明化演进。与HuggingFace原生轨迹查看器的深度集成，更将促进跨智能体系统的比较分析，为构建通用智能体基准、优化人机协作效率提供可复现的数据基础，加速安全可靠编码智能体的落地进程。