SWE-QA-Pro-SFT-Trajectories

SWE-QA-Pro SFT Trajectories是一个专为监督微调设计的代码库级别问答智能体工具使用轨迹数据集。它包含1000条由Claude Sonnet 4.5生成的多轮交互轨迹，模拟智能体在严格只读环境下通过工具探索代码库以回答问题的过程。智能体可使用的工具包括：在文件或目录树中搜索术语的`semantic_search`、查看带行范围和轮廓的文件与目录的`view_codebase`，以及运行允许列表内只读shell命令（如`ls`、`grep`、`find`、`cat`等）的`execute_readonly_command`。每条轨迹以`hermes`工具调用格式存储，每个JSON对象包含两个字段：`tools`（可用工具的定义，采用OpenAI风格函数模式）和`messages`（多轮对话消息列表，包含`system`、`user`、`assistant`、`tool_call`、`tool_response`等角色，最终答案位于`<finish>...</finish>`块内）。该数据集适用于训练模型进行代码库级别的问答任务，是SWE-QA-Pro训练方案中第一阶段（SFT）的核心数据。

SWE-QA-Pro SFT Trajectories is a dataset of agent tool-use trajectories for codebase-level question answering, specifically designed for supervised fine-tuning (SFT). It contains 1000 multi-turn interaction trajectories generated by Claude Sonnet 4.5, simulating the process of an agent exploring a codebase through tools in a strictly read-only environment to answer questions. The tools available to the agent include: `semantic_search` for searching terms in files or directory trees, `view_codebase` for viewing files and directories with line ranges and outlines, and `execute_readonly_command` for running allowlisted read-only shell commands (e.g., `ls`, `grep`, `find`, `cat`, etc.). Each trajectory is stored in the `hermes` tool-call format, with each JSON object containing two fields: `tools` (definitions of available tools in OpenAI-style function schema) and `messages` (a list of multi-turn dialogue messages with roles such as `system`, `user`, `assistant`, `tool_call`, `tool_response`, where the final answer is within a `<finish>...</finish>` block). This dataset is suitable for training models on codebase-level question answering tasks and serves as the core data for the first stage (SFT) of the SWE-QA-Pro training pipeline.

原始信息汇总

数据集名称

SWE-QA-Pro SFT Trajectories

数据集简介

该数据集是一组用于仓库级问答的智能体工具使用轨迹，作为SWE-QA-Pro训练流程中的监督微调（SFT）数据。每条数据是一个多轮交互轨迹，智能体通过只读工具探索代码库来回答仓库相关的问题，而非依赖记忆化知识。轨迹由Claude Sonnet 4.5生成，并采用hermes工具调用格式存储，可用于微调开放模型（例如使用ms-swift微调Qwen3-8B）。

智能体在一个严格的只读环境中运行，使用以下三种工具：

• semantic_search：在文件或目录树中搜索术语
• view_codebase：查看文件和目录，支持行范围和大纲
• execute_readonly_command：运行允许的只读Shell命令（如ls、grep、find、cat等）

在每一轮交互中，智能体进行规划、调用工具、读取观察结果，并最终在<finish>...</finish>块内输出答案。

数据集格式

• 文件：train.jsonl（包含1,000条轨迹）
• 格式：每行一个JSON对象，采用hermes工具调用格式，包含两个字段：
  • tools：智能体可用的工具定义（OpenAI风格的函数架构，包含view_codebase、semantic_search、execute_readonly_command）
  • messages：多轮对话，是一个{"role", "content"}消息列表，角色包括：
    • system：智能体指令和输出协议
    • user：仓库相关的问题
    • assistant：智能体的逐步规划
    • tool_call：工具调用（包含name和arguments的JSON）
    • tool_response：工具返回的观察结果
    • 最终的assistant消息在<finish>...</finish>内包含答案

数据集大小

• 条目数量：1,000条轨迹

数据集语言

• 英语（en）

数据集许可

• MIT许可

任务类别

• 问答（question-answering）

标签

• SWE
• QA
• Agent
• Trajectories

用途

这些轨迹是SWE-QA-Pro流程中的第一阶段（SFT）数据。完整的训练设置请参见GitHub仓库中的train/SFT/目录。

引用

bibtex @article{cai2026sweqapro, title={SWE-QA-Pro: A Representative Benchmark and Scalable Training Recipe for Repository-Level Code Understanding}, author={Songcheng Cai and Zhiheng Lyu and Yuansheng Ni and Xiangchao Chen and Baichuan Zhou and Shenzhe Zhu and Yi Lu and Haozhe Wang and Chi Ruan and Benjamin Schneider and Weixu Zhang and Xiang Li and Andy Zheng and Yuyu Zhang and Ping Nie and Wenhu Chen}, journal={arXiv preprint arXiv:2603.16124}, year={2026}, }

搜集汇总

数据集介绍

构建方式

SWE-QA-Pro-SFT-Trajectories数据集专为仓库级问答任务设计，其构建过程依托于一个只读环境中的智能代理工作流。每个数据条目皆为多轮交互轨迹，由Claude Sonnet 4.5模型自动生成，模拟代理在仅具备语义搜索、代码库查看及执行白名单只读命令三种工具的条件下，逐步探索代码仓库并回答基于仓库上下文的问题。代理在每轮交互中依次执行规划、工具调用、观察反馈，最终在<finish>...</finish>标记内输出答案。所有轨迹以hermes工具调用格式存储于train.jsonl文件中，包含工具定义和消息序列两个核心字段，为后续监督微调提供了结构化的训练素材。

使用方法

使用SWE-QA-Pro-SFT-Trajectories数据集时，用户可直接从HuggingFace加载，借助datasets库的load_dataset函数获取分割为训练集的轨迹数据。每个样本包含工具定义和消息列表，用户需解析hermes格式的消息序列，提取系统提示、用户问题及代理的多轮交互内容，以构建适用于监督微调的输入输出对。具体训练流程可参考SWE-QA-Pro官方GitHub仓库中的SFT目录，其中提供了完整的配置与脚本。该数据集已被设计为SWE-QA-Pro训练流程的第一阶段数据，适合用于提升模型在仓库级代码问答场景下的代理推理与工具调用能力。

背景与挑战

背景概述

SWE-QA-Pro-SFT-Trajectories数据集由TIGER-AI-Lab团队于2026年创建，源自SWE-QA-Pro基准测试的工作，核心研究人员包括Songcheng Cai、Zhiheng Lyu等。该数据集聚焦于仓库级代码理解中的问答任务，旨在通过监督微调轨迹数据提升智能体在复杂代码库中推理与定位答案的能力。其研究问题围绕如何让语言模型摆脱对记忆知识的依赖，转而利用只读工具探索代码结构以解决实际问题，推动了代码智能体在软件工程领域的应用。作为SWE-QA-Pro训练配方的重要组成部分，该数据集对提升开源模型在仓库级问答任务上的表现具有显著影响力，为后续研究提供了标准化数据基础。

当前挑战

数据集面临的挑战主要体现在领域问题与构建过程两方面。在领域问题层面，仓库级问答任务要求智能体在庞大且异构的代码库中精准定位信息，而非依赖已有知识，这考验了模型的推理规划与环境交互能力；同时，现有模型常因缺乏工具使用经验而难以泛化至未见仓库。在构建过程层面，利用Claude Sonnet 4.5生成1000条高质量轨迹面临一致性控制与多样性保障的难题，需确保每条轨迹包含完整的多轮规划-工具调用-回答链，且工具调用严格遵守只读限制，避免数据污染或幻觉产生。

常用场景

经典使用场景

SWE-QA-Pro-SFT-Trajectories数据集专为存储库级别的问答场景而设计，其核心应用在于训练语言模型在代码仓库中通过只读工具自主探索并回答问题。每个数据样本记录了一个完整的多轮代理轨迹，代理需依次调用语义搜索、代码视图查看以及受限制的只读命令执行等工具，逐步深入理解仓库结构与代码逻辑，最终形成以<finish>标签包裹的准确答案。这一过程模拟了真实开发者阅读和检索源码的方式，使得微调后的模型能够摆脱对记忆知识的依赖，转而具备在陌生代码库中进行因果推理与信息整合的能力，成为代码智能体训练领域的基础性资源。

解决学术问题

该数据集系统性地解决了现有代码问答研究中代理行为数据匮乏与工具调用范式缺失的困境。此前，多数模型在面对复杂、未见过的仓储级代码时，常因缺乏合理的探索路径而给出泛泛或错误的回答。该数据集通过提供千条由Claude Sonnet 4.5生成的高质量监督微调轨迹，使开放模型学会在多步交互中规划行动、解析工具反馈，并最终定位结论。这一设计不仅推动了仓储级代码理解从静态评测向动态代理能力评估的转变，更为构建可迁移、可复现的代码智能体训练流水线奠定了理论与数据基础。

实际应用

在实际开发与工程场景中，该数据集可用于训练能够辅助程序员进行代码审查、问题定位和功能理解的智能助手。例如，当开发人员面对一个陌生的开源项目时，经过该数据集微调的模型可以主动搜索相关文件、追踪函数调用链，并自动回答诸如“某个模块实现了什么功能”或“某段代码的调用路径如何”等问题。此外，该类代理还可集成至持续集成系统中，用于自动化分析提交变更的影响范围，或在代码审查流程中提供即时上下文解释，从而显著提升团队在大型代码库中的协作效率与代码可维护性。

数据集最近研究

最新研究方向

随着大型语言模型在代码生成与理解领域的突破性进展，如何赋予模型在复杂仓库级代码库中进行自主探索与精准问答的能力，已成为一项前沿研究热点。SWE-QA-Pro-SFT-Trajectories数据集应运而生，它通过Claude Sonnet 4.5生成的多轮代理工具调用轨迹，模拟了智能体在仅使用只读工具（如语义搜索、代码浏览和受限命令行操作）下，对仓库级问题逐步推理并作答的完整过程。该数据集不仅为监督微调提供了高质量的序列训练样本，还推动了从记忆型问答向探索型问答的范式转变，对提升开源模型在真实软件工程场景中的代码理解与自主推理能力具有深远意义。