简介

这篇文章介绍了一种通过构建可扩展的工具使用环境来训练Agent的方法。研究者将3万+API聚类为1千+领域，转化为读写数据库，形成廉价、可扩展且可验证的训练环境。采用两阶段有监督微调策略：先学习通用领域的工具调用，再专注于垂直领域的工具选择和参数填充。实验表明，小参数模型可与大模型竞争，30B模型在多项基准测试中刷新开源最优结果，显著提升了Agent的函数调用和多轮工具使用能力。

---

稳健的工具调用是实现通用agent的关键。 但说起来容易，做起来难。论文(Towards General Agentic Intelligence via Environment Scaling)提出了一个框架，可以扩展完全模拟的工具使用环境，然后通过两个阶段训练agent，以提升函数调用和多轮工具使用能力。

思路是：自动构建大量真实的工具使用沙盒，然后在这些环境中训练agent。

具体做法是：将 3 万+ API 聚类为 1 千+ 领域，将每个领域转化为一个读写数据库，并将每个工具实现为可执行代码，可对状态进行读写。

为什么要这样做：这样可以获得廉价、可扩展、可验证的agent数据。 每条轨迹都绑定在数据库状态上，因此可以检查最终状态是否与目标匹配，而不仅仅是输出的文本。
这大大减少了噪音，使监督更加可靠。

环境构建方法

•工具根据参数兼容性进行分组（Louvain 社区检测）。

•每个领域生成一个 schema（模式）。

•工具被具体化为代码。

•从工具图中采样连贯的工具组合，以创建多步骤任务和初始状态。

数据过滤方法：三道严格检查：

1.对话轮次有效

2.最终数据库状态与目标状态完全一致

3.需要时工具调用序列完全匹配

同时，他们保留了部分包含可恢复错误的样例，以帮助模型学习鲁棒性。

训练方案：两阶段的有监督微调：

1.通用领域 —— 学习何时、如何调用工具

2.垂直领域 —— 专注于工具选择和参数填充
损失函数仅作用于工具调用 token 和助手回复，同时条件化于用户输入和工具输出。

实验结果：4B 模型能与 30B 基线竞争；30B-A3B 模型在 <1T 参数下刷新了 τ-bench、τ²-Bench 和 ACEBench 的开源最优结果；稳定性在 pass^k 指标下提升，但随着工具调用次数增加，准确率有所下降

启示：将工具视为带有显式 schema 的数据库操作；从工具图中自动生成多步骤任务；通过状态验证，而不是凭“感觉”；保留一些带错误但最终成功的轨迹；先广泛预训练，再按领域专精

局限性：长链工具调用依然是难点。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

01.大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K（数据来源：BOSS直聘报告）

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

02.大模型 AI 学习和面试资料

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】