cx-lam-trajectories
收藏资源简介：
CX LAM Trajectories是一个专注于客户体验（CX）和客户关系管理（CRM）工作流程的大型行动模型轨迹数据集。它旨在支持本地化、基于真实环境的大型行动模型研究，模型能够针对实时浏览器渲染的CRM界面生成并执行结构化的工具调用序列（主要包括crm.screenpop、crm.create_case和crm.log_call）。与模拟系统不同，所有动作在真实DOM环境中发生，视觉感知由真实视觉语言模型对屏幕截图提供支持。数据集包含2,346条基础轨迹及持续增加的真实执行轨迹，其中真实轨迹包含视觉语言模型描述和推理过程。数据来源包括Bitext客户支持LLM聊天机器人训练数据集（1,996条）和Dialogsum对话摘要数据集（350条，作为转录风格代理）。数据集划分为训练集（2,075条）和测试集（271条，约11.55%），测试集明确不用于训练。每条轨迹以JSON对象格式存储，包含唯一标识符、数据源、自然语言客户情境或查询、高层步骤计划以及工具调用列表。真实执行轨迹额外包含视觉上下文（VLM输出）、推理过程、对话和结果。数据通过规则合成原始公共CX数据生成，并通过完整的自适应运行（真实浏览器+VLM+记忆+策略）进行最大化增强。评估结果显示，在保留测试集上的单次测试和完整自适应循环测试中均达到100%成功率。该数据集适用于研究本地化、基于真实环境的CX大型行动模型，特别是结合真实视觉语言模型和记忆闭环代理的研究。
CX LAM Trajectories is a large-scale action model trajectory dataset focused on customer experience (CX) and customer relationship management (CRM) workflows. It aims to support localized, real-environment-based large action model research, where models can generate and execute structured tool call sequences (primarily including crm.screenpop, crm.create_case, and crm.log_call) for real-time browser-rendered CRM interfaces. Unlike simulated systems, all actions occur in a real DOM environment, with visual perception supported by real visual language models on screenshots. The dataset includes 2,346 base trajectories and continuously increasing real execution trajectories, with real trajectories containing visual language model descriptions and reasoning processes. Data sources include the Bitext customer support LLM chatbot training dataset (1,996 entries) and the Dialogsum dialogue summarization dataset (350 entries, serving as transcription-style agents). The dataset is divided into a training set (2,075 entries) and a test set (271 entries, approximately 11.55%), with the test set explicitly not used for training. Each trajectory is stored in JSON object format, containing a unique identifier, data source, natural language customer context or query, high-level step plans, and a list of tool calls. Real execution trajectories additionally include visual context (VLM output), reasoning processes, dialogues, and results. Data is generated by synthetically combining raw public CX data through rules and maximally enhanced via full adaptive runs (real browser + VLM + memory + strategy). Evaluation results show 100% success rates in both single tests and full adaptive loop tests on the held-out test set. This dataset is suitable for researching localized, real-environment-based CX large action models, particularly those combining real visual language models and memory-closed-loop agents.
CX LAM Trajectories 数据集概述
该数据集是一个面向客户体验（CX）和CRM工作流的、完全本地化运行的大动作模型（LAM）轨迹数据集。模型基于微调的 Qwen2.5-3B-Instruct-4bit，数据包含结构化的CRM工具调用序列，所有操作在真实的浏览器DOM中执行。
数据集组成
- 总轨迹数：2,346条基础轨迹，外加持续执行的真实轨迹（包含VLM描述和推理）。
- 数据来源：
- Bitext客户支持对话数据集：1,996条。
- Dialogsum对话摘要数据集：350条。
- 数据划分：
- 训练集：2,075条。
- 测试集（保留集）：271条（约11.55%），测试集明确不用于训练。
数据格式
每条轨迹是一个JSON对象，包含以下字段：
id：唯一标识符。source：原始数据集来源。observation：客户的自然语言情景或查询。plan：高层次步骤列表。execute：工具调用列表，格式为{"tool": "crm.xxx", "args": {...}}。
真实执行轨迹额外包含 visual_context（VLM输出）、reasoning、dialogue 和 results。
数据生成与扩展
- 使用基于规则的合成方法将原始公共CX数据转换为轨迹。
- 通过完整的自适应运行（真实浏览器 + VLM + 记忆 + 策略）生成真实轨迹进行扩展。
- 相关脚本：
scripts/generate_max_traces.py、scripts/build_iterative_data.py、lam/session_policy.py。
评估结果
- 100次模型测试（在测试集上单次推理）：有效调用率、解析成功率、模型驱动率均为100%（平均3个动作）。
- 2次完整自适应运行（启用自适应、迭代、视觉、记忆、混合模式）：成功率100%（3步，案例数=1，日志数=1，终端，完整可追踪的VLM轨迹已写入）。
- 100次自适应循环测试：100%完全成功（终端、案例数>=1、日志数>=1）。
使用方法
python from datasets import load_dataset ds = load_dataset("chendren/cx-lam-trajectories") print(ds["train"][0])
许可信息
- Bitext数据：研究/非商业用途。
- Dialogsum数据：公共条款。
- 轨迹数据：MIT许可。
相关信息
- 配套模型：chendren/qwen2.5-3b-cx-lam
- 本数据集旨在支持本地化、接地气的LAM研究，包括真实VLM+记忆的闭环代理系统。
