build-small-hackathon/clue-vibes-traces

该数据集包含Clue Vibes项目的Codex代理轨迹，Clue Vibes是Build Small Hackathon的一个项目。数据集具体描述未在README中提供。

This dataset contains Codex agent traces for Clue Vibes, a Build Small Hackathon project. No detailed dataset description is provided in the README.

原始信息汇总

数据集概述

• 数据集名称：clue-vibes-traces
• 所属组织：build-small-hackathon
• 许可证：cc-by-4.0
• 下载量（上月）：无数据
• 数据行数：3
• 总文件大小：2.36 MB
• 数据集大小：< 1K

模态与格式

• 模态：表格（Tabular）、文本（Text）
• 格式：JSON（json）
• 格式类型：Traces

相关库与工具

• 支持库：Datasets、Dask、Polars（+1个未列出）

数据集描述

该数据集包含 Codex 代理在构建“Clue Vibes”语言游戏过程中的交互轨迹。游戏规则类似于“禁忌”（Taboo）：玩家需描述一个目标词，同时避免使用禁用的词汇，并帮助大语言模型（LLM）在限定时间内正确猜出目标词。

数据集内容

• 包含 3 条记录，记录了游戏实现过程中的对话和代码生成历史。
• 第一条对话（2025年6月12日）包含7条消息，涉及游戏核心循环实现，包括：
  • 使用 transformers.js 和 ONNX 版本的 Tiny Aya 模型。
  • 从 taboo_cards_playable.json（超过 7000 个单词及禁用线索）中随机加载单词。
  • 游戏规则：用户有 30 秒时间和 280 字符限制；LLM 最多尝试 3 次猜测。
  • 实现开始界面、模型下载、游戏界面和最终得分界面。
• 第二条对话（2025年6月7日）包含7条消息，详细说明如何生成目标词和禁用词数据集。
  • 使用 wordfreq 库筛选 15000 个英语单词（Zipf 频率 3.5-5.2），并用 spaCy 进行词形还原。
  • 使用 DeepSeek v4 flash 模型为每个目标词生成 5 个禁用词。
• 第三条对话（2025年6月7日）包含5条消息，内容与第二条相似，但涉及更早的实现步骤。

相关资源

• 游戏应用：Clue Vibes Space

搜集汇总

数据集介绍

构建方式

clue-vibes-traces数据集源自一场名为Build Small的编程马拉松项目——Clue Vibes，旨在记录Codex智能代理在交互过程中生成的轨迹数据。这些轨迹通过捕获代理在特定推理与决策场景下的行为序列构建而成，涵盖了从指令理解到执行反馈的完整闭环，为研究代码生成与智能代理的行为模式提供了原始数据基础。

特点

该数据集以细粒度的代理轨迹为核心，呈现出自然语言指令与代码执行过程的高度耦合特征。每条轨迹既包含语义层级的推理链条，也包含操作层级的代码片段与响应结果，形成了一种结构化的行为记录。这种设计使得数据既可用于训练上下文感知的代码生成模型，也适合于探究智能代理在复杂任务中的执行策略与错误恢复机制。

使用方法

使用该数据集时，可直接从HuggingFace平台加载，配合Codex或类似大语言模型进行微调或行为分析。建议将轨迹中的自然语言部分作为模型输入，代码片段作为目标输出，以训练模型更好地理解指令执行逻辑。此外，研究者也可将其作为基准数据，用于评估代理在跨步骤任务中的一致性与鲁棒性，或从中提取典型交互模式以指导代理设计的优化。

背景与挑战

背景概述

在人工智能与代码生成领域，智能体（agent）在复杂任务中的行为轨迹（traces）对于理解模型决策过程、优化提示工程以及提升代码生成鲁棒性具有重要意义。clue-vibes-traces数据集由Build Small Hackathon项目团队创建，旨在记录Codex智能体在“Clue Vibes”这一小规模黑客马拉松项目中的交互轨迹，核心研究问题聚焦于探索大语言模型在有限资源下如何通过迭代提示完成创意性编码任务。该数据集以CC-BY-4.0许可发布，为研究人机协作、代码生成过程中的错误模式及提示策略提供了宝贵资源，对推动轻量级AI应用开发中的透明度与可复现性具有潜在影响力。

当前挑战

该数据集所解决的领域问题包括：1）大语言模型生成代码时，其行为轨迹缺乏标准化记录，导致难以系统分析模型在真实场景中的决策逻辑与错误来源；2）现有数据集多关注最终代码质量，忽视了迭代过程中提示与修正的细节，限制了提示工程优化的可解释性。构建过程中面临的挑战则在于：黑客马拉松项目的时间与资源约束，使得轨迹数据采集的完整性与一致性难以保障；同时，轨迹中混杂了模型输出与人工干预，如何精确保留各阶段边界并避免隐私泄露，也是数据收集与清洗中的难点。

常用场景

经典使用场景

在人工智能与软件工程交叉领域，clue-vibes-traces数据集汇聚了Codex代理在构建小型黑客马拉松项目Clue Vibes过程中生成的操作轨迹，为研究代码生成代理的行为模式与协作机制提供了独特素材。该数据集最经典的应用场景在于剖析代理在复杂软件开发任务中的推理路径与决策序列，通过分析轨迹中的提示、代码片段、修改记录及环境反馈，研究者能够系统性地探索大型语言模型驱动的代理如何在迭代式编程中实现目标，并评估其自主编程能力与潜在瓶颈。

实际应用

在实际应用层面，clue-vibes-traces可服务于智能编程助手的功能迭代与用户体验优化。通过复现与分析代理在完成Clue Vibes游戏项目时的完整轨迹，开发者能够识别常见失败模式与低效策略，从而改进提示设计、增强错误恢复机制并提升代理执行长期编程任务的稳定性。此外，该数据集也可作为基准测试平台，用于评估不同代码生成模型或代理架构在实际编程场景中的表现，助力企业打造更可靠的自动化开发工具。

衍生相关工作

基于clue-vibes-traces所呈现的代理操作轨迹，学界已衍生出执行轨迹分类与优化等经典研究方向。相关工作包括构建代理行为图谱以识别高效与低效编程策略，开发基于轨迹序列的代码质量预测模型，以及设计面向代理的自动调试框架。这些研究不仅深化了对代码生成代理内部机制的理解，也催生了诸如轨迹增强学习与结构化提示工程等新技术路线，为智能编程系统的持续演进提供了方法论支撑与实证依据。