ServiceNow 发布 AutoSynthData：为企业智能体生成训练数据

核心事实

ServiceNow CoreAI 团队在 Hugging Face 博客发布文章，介绍其内部方法 AutoSynthData，用于为企业智能体生成训练数据。该方法以目标模型在特定环境中的失败记录，以及一个更强“教师”模型的成功轨迹为依据，判断模型下一步应学习什么，再生成并校验新的可执行任务。文章以 EnterpriseOps Gym 为例展示该流程，并使用了已发布的数据集。

文章把任务抽象为三部分：系统规范、面向智能体的用户提示，以及验证器。系统规范定义智能体可用的工具、环境策略与任务初始化状态；用户提示需满足可行性、真实性与难度三项性质；验证器则需具备一致性、可靠性与完备性。生成的任务须能在环境中执行、有可行解，并能被可靠判定成败。

背景与影响

企业希望智能体适配自身系统、规则与数据状态。一个模型可能整体能力不弱，却在某个工作流、某组工具组合或某条约束上反复出错。单个失败案例信息有限，训练需要大量在相似能力上变化的新任务。AutoSynthData 的做法是把评估中发现的失败模式提炼为“能力规格卡”，生成器只接收卡片，不接触原始提示、实体、轨迹或验证器细节，从而生成提示、状态与解法路径都不同的新任务。

数据集构建分两阶段：目标阶段并行生成并校验核心样本；扩展阶段基于已通过样本生成新变体，且变体不能再作为下一轮扩展的种子，以限制漂移。质量控制分样本级与批次级：样本需通过正负验证与有界修复，批次则由元评审检查覆盖度与多样性，并据此调整后续生成方向。

限制与来源

上述内容来自 Hugging Face 博客文章，属于方法介绍，文中未给出可直接核验的性能数字、定价或地区可用性信息。相关流程与数据集的实际表现、适用范围及使用条件，请以官方页面与官网当前信息为准。