ox-alpha-pi-traces-emacs-bridge

该数据集是TeichAI/Ox-Alpha-Pi-Traces中agent traces的转换版本，旨在将原始agent工具调用（如write、edit）替换为通过Emacs python-bridge执行的文件操作。数据集包含2246个有效traces，每个trace包含一系列assistant消息中的toolCall块和对应的toolResult消息。转换后提供两种格式：ipython模式（将每个调用表示为prime-agent REPL的代码单元）和tools模式（保留命名工具调用ox_bridge_write和ox_bridge_edit，并附带Python源码）。数据集可用于训练或评估agent在Emacs环境中通过bridge-only方式进行文件创建和编辑的任务，也可用于工具调用基准测试。数据集中还包含一个截断的trace（traces_quarantine/）和少量缺失path参数的调用。This dataset is a converted version of agent traces from TeichAI/Ox-Alpha-Pi-Traces, aiming to replace original agent tool calls (e.g., write, edit) with file operations executed via the Emacs python-bridge. It contains 2,246 valid traces, each consisting of a series of toolCall blocks in assistant messages and corresponding toolResult messages. After conversion, two formats are provided: ipython mode (representing each call as a code cell in the prime-agent REPL) and tools mode (retaining named tool calls ox_bridge_write and ox_bridge_edit with Python source code). The dataset can be used to train or evaluate agents on file creation and editing tasks in the Emacs environment via bridge-only approach, and also for tool call benchmarking. It also includes a truncated trace (traces_quarantine/) and a few calls missing the path parameter.

原始信息汇总

数据集概述

Ox-Alpha Pi Agent Coding Traces（oxalpha-emacs-pipeline）是一个文本生成任务的数据集，规模介于100K到1M条记录之间，采用MIT许可证。

该数据集是对 TeichAI/Ox-Alpha-Pi-Traces 中代理轨迹的转换版本，核心特点是将原始的 write 和 edit 工具调用改写为通过 Emacs 的 python-bridge 执行的桥接调用。

转换机制

原始轨迹中的每个代理动作以 toolCall 形式存储，转换器将编辑类工具重写，其余部分保持不变。转换规则如下：

原始工具调用	转换后调用
write(path, content)	get_emacs_func_result("ox-bridge-write", path, content)
edit(path, hunk列表)	get_emacs_func_result("ox-bridge-edit", path, json)
bash(command)	ipython 模式下调为 REPL 代码单元，tools 模式保持调用不变

数据集提供两种输出模式：

• ipython模式：将每次调用表示为代码单元，匹配 prime-agent 驱动 Emacs 的实际方式
• tools模式：保留命名工具调用（ox_bridge_write 和 ox_bridge_edit），附带 Python 源码，适用于工具调用基准测试

数据规模与质量指标

数据集包含 2,246 条有效轨迹。完整转换产生的指标：

指标	数量
转换的 write 调用	6,868
转换的 edit 调用	4,629
保留的 bash 调用	18,616
tools模式重写的工具结果	11,492
ipython模式重写的工具结果	30,108

结构组成

数据集中包含以下目录和文件：

路径	说明
out_ipython/	2,246条 REPL 风格轨迹
out_tools/	2,246条带命名工具调用的轨迹
traces/	来自源数据集的2,246条有效原始轨迹
traces_quarantine/	1条上游解析失败的不完整轨迹
convert_traces.py	转换器命令行工具
ox_trace_bridge.el	注册桥接方法的Emacs辅助文件
system_prompt.md	强制桥接编辑的系统提示词模板

已知数据问题

1. 一条轨迹（文件名为 2026-08-24T15-04-15-603Z_...jsonl）在上传时出现两行截断，无法解析，已移入隔离区
2. 少量源工具调用缺少 path 参数，转换器会原样保留这些调用，不进行猜测

使用场景

• 回放验证：将转换后的轨迹对活跃 Emacs 实例进行回放，端到端验证桥接功能
• 模型微调或评估：使用 system_prompt.md 作为系统提示，训练代理学习桥接编辑规则

搜集汇总

数据集介绍

构建方式

该数据集源于对TeichAI/Ox-Alpha-Pi-Traces的深度加工，其构建精髓在于将原始代理轨迹中的文件写入与编辑操作，巧妙转译为经由Emacs与Python桥接的调用。转换过程严谨而细致，针对单一工具调用及其结果进行重写，保留对话结构不变。项目提供ipython与tools两种输出模式，前者以代码单元形式呈现，贴合prime-agent与Emacs交互的真实形态；后者则保留具名工具调用，便于基准测试。最终，2,246条有效轨迹得以成功转换，并附带Emacs辅助脚本及专属系统提示词，构成一套完整的工具调用数据集。

特点

此数据集独树一帜，将抽象的代理行为锚定于具体的Emacs编辑器环境，通过同步EPC调用确保操作的可验证性。其双重模式设计兼顾了模拟回放与模型微调的不同需求，既支持端到端的桥接验证，又利于强化模型的工具调用契约。转换过程产出了丰富的量化指标，如逾万次的编辑调用，显示出数据集的规模与多样性。此外，项目对数据质量问题采取透明处理策略，隔离无法解析的轨迹并保留缺失参数的操作，彰显了其构建的科学严谨性。

使用方法

研究与应用此数据集需遵循既定流程，首要任务是在Emacs会话中激活python-bridge并注册桥接方法，而后即可通过REPL调用验证。转换命令提供直观的CLI，支持ipython或tools模式输出，并可设定转换上限用于初测。数据集的使用路径多元，既可将转换轨迹于活跃Emacs实例中重放，以全面检验桥接性能；亦可将相关轨迹连同系统提示词作为微调语料，培育模型在桥接约束下的编辑能力。此数据集为探索代理工具使用与编辑器深度整合提供了宝贵资源。

背景与挑战

背景概述

随着大语言模型在软件工程领域应用的深入，代码智能体（coding agent）的轨迹数据成为训练与评估其工具调用能力的关键资源。Ox-Alpha-Pi-Traces-Emacs-Bridge 数据集诞生于 2025 年，由 TeichAI 等研究机构发布，旨在将 Open-Alpha-Pi 智能体的编程轨迹转换为通过 Emacs 编辑器执行文件操作的标准化格式。该数据集基于 MIT 协议开源，包含超过 10 万条轨迹数据，其核心研究问题在于如何构建一个桥接层，使智能体能够绕过原生写入工具，转而通过 Emacs 的 python-bridge 机制完成文件编辑，从而更贴近真实开发者使用 Emacs 的工作流。这一开创性工作不仅为工具调用型智能体的对齐提供高质量语料，同时推动了 Emacs 生态与大模型代理的融合，对代码生成与自动化编辑领域的研究具有显著的促进意义。

当前挑战

该数据集面临的挑战体现在领域问题与构建过程两个层面。从领域角度看，其解决的原始问题——代码智能体的工具使用与轨迹复用——当前面临两大困境：其一，主流数据集的轨迹格式多基于自定义工具定义，难以在多样化的编辑器接口间迁移，导致模型泛化能力受限；其二，智能体在执行现实编程任务时，文件操作路径的准确性与编辑命令的可靠性难以保障，特别是在交互式环境中对实时反馈的依赖。从构建过程看，数据集生成一个显著的挑战是处理上游数据中的不一致性，例如源轨迹中存在单条记录（如时间戳为2026年的异常文件）被截断而无法解析，需将之隔离于隔离区，这要求转化器具备鲁棒的错误容忍机制；此外，少量源工具调用缺失‘路径’参数，转化器须选择保留原样以避免错误推断，此类策略在保证数据完整性的同时，不可避免引入噪声，影响下游微调的稳定性。

常用场景

经典使用场景

该数据集在智能体与编辑器交互研究的语境中，充当了关键的桥梁性资源，其核心用途在于将既有的Ox-Alpha Pi智能体编码轨迹系统性地重构为可直接在Emacs环境中回放与验证的格式。通过将每一次文件创建与编辑操作转换为经由python-bridge的调用，数据集为研究代码智能体在真实编辑器生态下的行为模式提供了标准化的测试基准。研究工作者可借此精确评估智能体在遵循系统提示、执行工具调用链以及应对复杂编辑任务时的性能，尤其适用于验证多步骤编辑流程的连贯性与准确性。此外，数据集的两种输出模式（ipython与tools）分别适配了RePL环境下的交互式回放与工具调用基准测试，从而满足了从动态验证到静态评估的多元研究需求。

衍生相关工作

围绕此数据集已催生出若干方向性的衍伸工作。其一，是面向编辑器桥接机制的优化型研究，即在Epic或类似框架下改进python-bridge的通信效率与错误恢复能力，此类工作往往借鉴数据集中记录的失败案例以增强系统稳定性。其二，是基于该数据集的模型微调工作，学者们将转换后的轨迹作为监督信号，用以训练能够原生调用编辑操作并理解其返回值语义的编程型语言模型，从而在代码生成的质量与修改的精准度方面实现提升。其三，是构建于该数据集之上的智能体评估协议研究，这部分工作利用tools模式下的标准格式来设计出更具区分度的榜单任务，专项考察模型在真实代码库导航与编辑情境下的通用能力。最后，亦有工作尝试将桥接思想拓展至其他编辑器或IDE环境，在此数据集的格式启发下生成跨平台一致的轨迹语料。

数据集最近研究

最新研究方向

该数据集最新研究方向聚焦于将智能代理的交互轨迹与Emacs编辑器无缝集成，以强化真实环境下的工具使用能力。通过将原始代理轨迹中的文件写入与编辑操作重定向至Emacs的python-bridge，构建了符合prime-agent REPL风格的高保真训练语料，同时支持ipython与tools双模式输出，为模型微调、工具调用基准测试以及端到端代理行为验证提供了兼顾真实性与可扩展性的数据基础。其对246条轨迹的完整转换与隔离异常数据的设计，反映了社区对代码生成智能体在复杂编辑器生态中稳健性与可复现性的追求，有望推动编辑器集成驱动的代理训练范式发展。