arcee-ai/agent-data

---
license: mit
---
<div align="center">
<img src="https://i.postimg.cc/fzhqGMMf/9-Ji-CHw-Ub-QBqv-T-TYTY2-KAw.jpg" alt="Arcee-Agent" style="border-radius: 10px; box-shadow: 0 4px 8px 0 rgba(0, 0, 0, 0.2), 0 6px 20px 0 rgba(0, 0, 0, 0.19); max-width: 100%; height: auto;">
</div>

Agent Data is designed for training AI agents, particularly in the domain of function calling and multi-turn conversations. It combines four distinct datasets - and is the exact mixture we used when training [Arcee-Agent](https://huggingface.co/arcee-ai/Arcee-Agent).

## Dataset Components

1. **Glaive Function Calling v2**
- Notable feature: We have synthetically extended ~20k samples with sequential tool calls within the same response.

2. **Salesforce xlam Function Calling**

3. **Internlm's Agent-Flan series**

4. **Magpie Pro 300k**
- Magpie is included to prevent overfitting, generalize the model to tasks beyond just function calling, and avoid catastrophic forgetting.

## Intended Use

This dataset is designed for:
- Training AI models in function calling and tool use
- Developing conversational AI agents
- Enhancing AI's ability to maintain context over extended interactions.

搜集汇总

数据集介绍

构建方式

在人工智能代理（Agent）的研发领域中，高质量的训练数据是模型掌握函数调用与多轮对话能力的基石。arcee-ai/agent-data数据集正是为此而生，它巧妙地融合了四个各具特色的子数据集：Glaive Function Calling v2、Salesforce xlam Function Calling、Internlm的Agent-Flan系列以及Magpie Pro 300k。其中，Glaive Function Calling v2约2万条样本被进行了合成扩展，注入了在同一响应中实现顺序工具调用的特性，从而强化了代理的连续决策能力。Salesforce与Internlm的数据集则分别贡献了函数调用与任务规划的多样性，而Magpie Pro 300k的加入旨在防止过拟合，确保模型在函数调用之外的广泛任务中保持泛化能力，避免灾难性遗忘。

特点

该数据集的核心特色在于其精心设计的混合策略，旨在平衡专业性与通用性。它不仅覆盖了丰富的函数调用场景，还通过多轮对话样本提升了代理的上下文保持能力。具体而言，Glaive子集的顺序工具调用扩展是创新亮点，使模型能够学习复杂的任务链；而Magpie Pro的融入则有效抵御了模型对特定任务的过度依赖，赋予了其应对开放式问题的弹性。此外，数据集规模适中，各组件互补性强，既避免了数据冗余，又确保了训练出的代理在真实交互中展现出稳健的推理与响应能力。

使用方法

该数据集主要面向训练具备函数调用与工具使用能力的AI模型，以及开发多轮对话代理。使用时，可直接加载整个数据集作为微调语料，推荐采用监督式微调（SFT）范式。对于需要强化特定能力（如顺序工具调用）的场景，可优先利用Glaive Function Calling v2的扩展样本；若关注任务泛化，则应充分利用Magpie Pro 300k的通用对话数据。数据集已按MIT许可证开放，用户可灵活集成至现有的训练流程中，通过标准的问答对格式进行模型训练，从而提升代理在复杂交互中的表现。

背景与挑战

背景概述

随着大语言模型在复杂任务执行中的广泛应用，赋予模型调用外部工具与维持多轮对话的能力成为人工智能代理研究的前沿方向。arcee-ai/agent-data数据集由Arcee AI团队于近期构建，旨在解决代理模型在函数调用与多轮交互中的训练数据稀缺问题。该数据集融合了Glaive Function Calling v2、Salesforce xlam Function Calling、Internlm的Agent-Flan系列以及Magpie Pro 300k四个子集，通过合成扩展约2万条样本的连续工具调用序列，为模型提供了丰富的函数执行范例。其核心研究问题聚焦于如何在不牺牲通用语言能力的前提下，提升代理的指令遵循与工具使用精准度。该数据集已成功应用于Arcee-Agent模型的训练，为智能代理领域的数据构建与模型优化提供了重要参考。

当前挑战

该数据集面临的核心挑战在于多工具协同调用的泛化性与灾难性遗忘的平衡。在领域问题层面，函数调用任务要求模型准确理解API规范、参数约束及调用顺序，但现有数据中复杂嵌套调用场景的覆盖仍显不足，导致模型在真实环境中易出现工具选择错误或参数遗漏。在构建过程中，合成数据引入的伪模式可能使模型过度拟合特定调用模板，而Magpie Pro 300k的加入虽意图缓解遗忘，却可能稀释函数调用的训练信号强度。此外，多轮对话中的上下文依赖与工具状态维护构成另一难点，数据集中长程交互样本的稀疏性限制了模型对动态工具链的适应能力，亟需更系统的数据增强策略以应对现实代理任务的多样性。

常用场景

经典使用场景

在人工智能代理（AI Agent）研发领域，函数调用（Function Calling）与多轮对话（Multi-turn Conversation）的协同训练是构建高效智能体的核心挑战。arcee-ai/agent-data 数据集专为此而生，它汇聚了Glaive Function Calling v2、Salesforce xlam Function Calling、Internlm的Agent-Flan系列以及Magpie Pro 300k四个子集，通过精心配比实现了对智能体能力的全面塑造。该数据集最经典的使用场景在于：利用其合成扩展的约两万条顺序工具调用样本，训练模型在单次响应中执行连续的函数调用序列，同时借助Magpie Pro的通用对话能力防止过拟合，使模型在函数调用之外仍能泛化至其他任务，避免灾难性遗忘。这种设计使得agent-data成为开发能自主调用工具、维持上下文连贯性的对话式AI代理的理想训练基石。

解决学术问题

agent-data数据集精准回应了当前智能体研究中的两大核心学术困境：一是在多轮对话中维持上下文一致性的同时高效执行函数调用，二是平衡特定任务（如工具使用）的专精能力与模型通用性的保持。通过融合专门化的函数调用数据与通用对话数据，该数据集有效解决了模型在专注于工具调用后易丧失其他语言能力的“灾难性遗忘”问题，为构建既能精准调用API又能流畅进行多轮交互的通用型AI代理提供了数据层面的解决方案。其意义在于，它不再将函数调用视为孤立任务，而是将其嵌入到完整的对话上下文中，推动了从“指令响应”到“主动工具使用”的范式转变，为后续研究如何让模型在复杂环境中自主决策、规划并调用工具奠定了重要基础。

衍生相关工作

以agent-data为基石，研究者已衍生出多项具有影响力的工作。最直接的代表是Arcee-Agent模型，它正是基于该数据集的确切配比训练而成，展示了在函数调用基准测试上的优异性能。此外，该数据集的构建理念——将专用工具调用数据与通用对话数据混合以避免灾难性遗忘——启发了后续如Toolformer、Gorilla等模型的训练数据设计思路。Glaive Function Calling v2中的合成顺序工具调用扩展技术，也被多个研究团队借鉴用于生成更复杂的多步工具使用场景，推动了从单步函数调用到多步任务规划的研究演进。这些衍生工作共同验证了agent-data作为高质量训练资源在智能体领域的基础性价值。