通过模拟合成：以可扩展的 Agent-系统交互生成连贯企业数据

该论文提出 Synthesis Through Simulation（STS）范式：让 LLM agent 在模拟企业环境中对执行策略的 API 调用操作来生成数据。由于数据生成环境本身定义了何为有效，STS 在构造上保证结构有效性，并将有效性约束与分布建模解耦。其领域无关的 Generalist Populator（GP）在十个环境中无需访问数据库 schema，取得 0.88 平均边际保真度与 100% 约束满足率。

企业 AI 中 tool-calling agent 的训练与评估长期受限于业务和法律对系统、数据及数据库 schema 的访问限制。此前表格合成受结构性有效性与 schema 可得性制约，基于流程的方法又缺乏分布保真度且需逐领域人工编写。STS 声称可在无 schema 条件下同时兼顾有效性与保真度。

STS 把数据经策略执行 API 生成，使结构有效性由环境在构造层面保证，而非事后校验；分布建模因此可与约束执行分离，各自独立优化。GP 作为领域无关 agent 承担分布保真与可扩展合成，避免为每个领域单独编写流程，也绕开对真实 DB schema 与种子数据的依赖。

若结果可复现，企业 AI 团队可在不接触受限制系统与 schema 的前提下生成训练和评测数据，降低数据获取的法律与工程成本。评测集合与 agent 训练流程可脱离真实库结构搭建，但现有统计合成器对七个环境不适用，schema 特权 agent 在 airline 环境失败率达 82% 轨迹，说明任务组合仍需适配。

• 在企业 agent 训练前，先用 STS 生成无 schema 依赖的合成数据集做冷启动评测。
• 对航空等强耦合流程，改造任务组合方式以降低现有 agent 的轨迹失败率。
• 将策略执行 API 作为数据生成与合规校验的统一入口，替代事后结构校验环节。

• STS 在真实企业工作流上的迁移效果尚未验证。
• 0.88 平均边际保真度与 100% 约束满足率是否可被独立复现。
• 生成数据用于训练下游 agent 的实际收益缺乏证据。
• 十个开源环境之外的新领域需要多少适配工作尚不清楚。