Agent Apprenticeship Seed Dataset

第一个种子数据集包括：500多个从真实世界获取和基础的精选种子任务、495个可重复使用的代理课程、1000多个完整代理执行轨迹、1000多个代理工作片段/任务滚动。该种子数据集涵盖跨领域的专门经济价值任务，并构成Agent Apprenticeship生态系统的第一层。The first seed dataset includes: over 500 curated seed tasks sourced from and grounded in real-world scenarios, 495 reusable agent curricula, over 1,000 complete agent execution trajectories, and over 1,000 agent work segments / task rollouts. This seed dataset covers specialized high-economic-value tasks across diverse domains and constitutes the first layer of the Agent Apprenticeship ecosystem.

原始信息汇总

数据集概述：Agent Apprenticeship

Agent Apprenticeship 是一个开放的生态系统，旨在让AI代理通过与真实世界的迭代工作循环，积累可复用的经验，并交换集体的训练信号，从而学习和提升。

核心目标与设计思想

• 生态价值：将经济上具有实际价值的任务执行转化为可复用的学习信号，这些信号反过来改进未来的工作，形成良性的经验交换循环。
• 交互模式：学徒代理（Apprentice Agent）在导师代理（Mentor Agent）或人类专家的指导下，完成长期、真实的复杂任务。
• 适用范围：从简单任务到复杂的专业化工作，涵盖多个领域。

种子数据集内容

数据集是生态系统的基础层，包含：

• 超过500个 源自真实世界的精选任务。
• 495个 可复用的代理经验教训。
• 超过1000个 完整的代理执行轨迹。
• 超过1000个 代理工作片段/任务回滚。

支持的代理与模型

• 学徒代理：支持Codex、Cursor、Claude Code、OpenClaw、OpenCode、Hermes Agent以及自定义代理。
• 导师模型提供商：支持OpenAI、Anthropic、Google Gemini、OpenRouter等，相关API密钥可本地存储于 ~/.agent-apprenticeship/.env.local。

导师模式

• model-assisted（模型辅助）：自动模式，由导师模型提供商处理导师循环。
• expert-led（专家主导）：手动模式，由人类专家检查点指导导师循环。
• hybrid（混合模式）：模型起草，人类专家检查点审批或编辑。

生态系统功能

• 公共生态系统：汇集种子数据集和社区贡献的代理经验包，可通过指令搜索和获取。
• 生态系统学习：获取的经验可被转化为“经验包”（Experience Pack），并在新任务中复用。
• 生态共享：用户的代理运行结果可生成贡献包，选择性地共享到公共生态系统中（支持手动、询问后或自动分享模式）。
• 种子数据集 存放于 seed_dataset/ 目录下。

快速开始

1. 初始化：执行 npx agent-apprenticeship init。
2. 配置：使用 apprentice configure 配置学徒代理、导师模型提供商与导师模式。
3. 运行任务：执行 apprentice run "Your task description"。
4. 管理经验：使用 apprentice ecosystem list/search/pull 搜索和获取经验，使用 apprentice learn create/preview/keep 创建和管理经验包。
5. 分享经验：使用 apprentice ecosystem contribute <bundle_path> 将贡献包提交到公共生态系统。

安装

• 全局安装：npm install -g agent-apprenticeship，命令为 apprentice。
• 临时使用：npx agent-apprenticeship init。

搜集汇总

数据集介绍

构建方式

该数据集的构建植根于真实世界的经济价值任务，通过收集超过500个源自实际场景的种子任务，并辅以495条可复用的智能体经验与1000余条完整执行轨迹及工作片段，形成了生态系统的基础层。构建过程强调经验信号的循环积累，任务执行中产生的训练信号被系统化捕捉，从而驱动后续工作质量的提升，实现了从简单任务到复杂专业工作的迭代式覆盖。

特点

数据集的核心特点在于其开放性、可复用性与生态互操作性。它不仅是静态的样本集合，更是一个活性的学习生态系统，支持智能体与人类专家或导师协作，通过迭代工作循环生成可共享的经验包。其跨越多个领域的专业任务设计，使得任务级经济价值得以量化评估，同时兼容Codex、Cursor等多种本地智能体，为跨模型、跨平台的经验交换提供了统一基础设施。

使用方法

使用者可通过npm工具快速初始化环境，借助‘apprentice run’命令驱动智能体执行任务，并依据导师模式（模型辅助、专家主导或混合模式）灵活调控学习流程。系统自动生成任务包，支持通过‘ecosystem contribute’向公共生态贡献经验，或使用‘ecosystem search’与‘ecosystem pull’检索复用社区共享的智能体经验。进一步地，可通过‘learn create’将经验转化为体验包，在后续任务中直接引用，构建持续优化的学习循环。

背景与挑战

背景概述

Agent Apprenticeship Seed Dataset 诞生于2025年，由 Forsy-AI 团队精心构建，旨在应对人工智能代理在长期、经济价值导向的真实世界任务中学习与协作的迫切需求。该数据集的核心研究问题聚焦于如何通过迭代工作流循环、可复用经验与集体训练信号交换，构建一个自进化的代理生态系统。作为这一开放生态的基础层，数据集包含超过500个源自现实世界的种子任务、495条可复用的代理经验以及1000余条完整执行轨迹，为从简单操作到复杂专业工作提供了标准化学习素材。其影响力深远，不仅为Codex、Cursor等主流代理提供了统一的训练与评估基准，更推动了代理间经验共享与集体智能的涌现，在人工智能代理的经济价值评估与自动化工作流优化领域开辟了新范式。

当前挑战

该数据集面临的首要挑战在于真实世界任务的复杂性与多样性，这些长周期、多步骤的高价值任务要求代理具备跨领域泛化能力与稳健的长期规划策略，而当前模型在处理此类任务时常因累积错误或环境动态变化而失效。构建过程中，研究者需应对高质量训练数据的稀缺性，从真实场景中精确捕获并标注代理行为轨迹，同时设计通用的信号交换协议以兼容不同代理架构与模型提供商。此外，如何量化任务级经济价值以形成有效的学习信号反馈循环，以及平衡经验贡献的开放性与数据隐私保护，构成了技术规范与伦理治理的双重考验，这些挑战的攻克将是代理智能迈向大规模实际应用的关键转折。

常用场景

经典使用场景

Agent Apprenticeship Seed Dataset最经典的应用场景在于构建和评测AI智能体在长周期、经济价值导向的真实世界任务中的执行能力。研究者可利用该数据集提供的500余条经过真实世界验证的种子任务、近500条可复用的智能体经验以及逾1000条完整的执行轨迹，构建从简单任务到复杂专业工作的迭代式工作流循环。通过学徒（Apprentice）与导师（Mentor）机制的协作模式，该数据集为智能体在云端基础设施采购市场分析、事故响应清单生成等领域提供了标准化的学习与评估平台，尤其适用于需要多步骤推理、工具调用与环境交互的长期任务场景。

衍生相关工作

该数据集的衍生工作主要围绕经验包（Experience Pack）的封装与复用机制展开，催生了智能体学习流（Agent Learning Loop）与集体训练信号交换协议等研究方向。社区已发展出基于经验包的可重放工作流（replay）与增量学习策略，使得后续智能体能从历史执行中提取失败模式与优化路径，形成持续改进的闭环。此外，与GitHub生态的集成催生了跨仓库的智能体协作范式，相关研究探索了如何通过贡献检查、经验预览等机制保障共享信号的质量与可信度，这些工作共同推动了从单体智能体到群体智能体经济网络的演进。

数据集最近研究

最新研究方向

在人工智能代理迈向长期、经济价值任务的浪潮中，Agent Apprenticeship Seed Dataset的发布标志着代理学习范式的关键转折。该数据集通过构建迭代工作流循环与可复用经验交换的开放生态，聚焦于从真实世界任务中提取可泛化的训练信号。前沿研究正围绕‘代理学徒制’展开，强调将经济价值任务执行与经验学习信号形成闭环，通过导师代理或人类专家的协作，实现从简单到复杂专业领域的长期任务自动化。该方向与当前AI代理自主执行高价值工作的热点紧密关联，为跨模型、跨平台的代理能力提升提供了标准化基础设施，其意义在于通过社区贡献的群体智慧，推动代理工作经验的持续积累与共享，从而加速下一代通用代理的进化。