Agentic Coding 数据合成新范式：从轨迹采集到自主进化的数据飞轮

触发动机

两条线索的交叉触发了这个提案：

线索一：GPT-5.5 的 Agentic Coding 突破

• Terminal-Bench 2.0：82.7% vs GPT-5.4 的 75.1%
• SWE-Bench Pro：58.6%（首次公开披露）
• 关键洞察：模型在”怎么用计算”上变得更高效了——更少 token、更少重试、更高质量

线索二：SwallowCode 的 transform-and-retain 范式

• arXiv 论文（2505.02881）证明：LLM 改写低质量数据比过滤掉它们效果更好
• 代码生成能力提升 17.0 分，数学推理提升 12.4 分
• 核心逻辑：原始数据包含正确语义，只是表达方式差

交叉点：Agentic Coding 需要的是过程数据而不仅仅是结果数据。当前的数据合成方法无法生成真实的规划、迭代、纠错过程。

战略判断：为什么现在做

行业趋势

Agentic Coding 成为主战场：

• OpenAI：GPT-5.5 在 Terminal-Bench 2.0 上 82.7%
• Anthropic：Claude Code 质量事故 postmortem 同日发布
• 竞争焦点从”代码生成”转向”端到端任务完成”

数据瓶颈凸显：

• Agentic Coding 需要轨迹数据（planning → execution → reflection → adjustment）
• 当前数据合成方法只能生成结果，无法生成真实的决策过程
• 人工标注轨迹数据成本过高，不可扩展

技术拐点出现：

• GPT-5.5 级别的模型可以自主生成高质量轨迹数据
• SwallowCode 证明了数据改写的有效性
• 数据飞轮技术（NVIDIA Data Flywheel Blueprint）已经成熟

现有方案的缺口

当前数据合成方法的局限：

1. 结果导向：只生成最终代码，丢失中间决策过程
2. 静态合成：一次性生成，无法适应任务复杂度变化
3. 缺乏反馈：没有错误-修正循环的真实模拟
4. 规模受限：人工标注无法满足万亿 token 级需求

Deep Research 数据合成的启示：

• 从高质量输出逆向拆解过程是可行的
• 但 Agentic Coding 的过程比 Deep Research 更复杂：涉及工具调用、环境状态、错误处理

重要性评估

市场空间：Agentic Coding 是面向所有开发者的功能，不是小众需求 技术壁垒：需要整合轨迹采集、数据改写、飞轮闭环三个技术栈 时间窗口：GPT-5.5 刚发布，各家都在探索 Agentic Coding 数据方案

核心洞察

Agentic Coding 数据的本质是”决策轨迹”，不是”代码片段”。一条完整的 Agentic Coding 轨迹包含：

任务理解 → 环境感知 → 工具选择 → 执行规划 → 错误处理 → 状态验证 → 迭代调整

当前的数据合成方法只能生成前两步（任务理解、环境感知）和最后一步（最终代码），中间的关键决策过程完全缺失。

技术方案

整体架构：三阶段数据飞轮

┌─────────────────┐    ┌─────────────────┐    ┌─────────────────┐
│   轨迹采集层     │    │   数据改写层     │    │   飞轮进化层     │
│                 │    │                 │    │                 │
│ 真实用户轨迹    │ →  │ SwallowCode式   │ →  │ 自主任务生成    │
│ 模拟环境轨迹    │    │ 改写与增强      │    │ 与质量评估      │
│ 逆向工程轨迹    │    │                 │    │                 │
└─────────────────┘    └─────────────────┘    └─────────────────┘
        ↓                        ↓                        ↓
  原始轨迹池                高质量轨迹库                飞轮训练数据

关键步骤

步骤一：多源轨迹采集

1. 真实用户轨迹采集

• 从 Claude Code、Cursor、Codex 等工具采集匿名化轨迹
• 轨迹格式：{task, environment_state, action_sequence, outcome, reflection}
• 隐私保护：去除敏感信息，只保留工具调用模式和决策逻辑

2. 模拟环境轨迹生成

• 构建 Terminal-Bench 2.0 风格的模拟环境
• 用 GPT-5.5 级别模型在模拟环境中执行任务
• 记录完整的规划-执行-反思循环

3. 逆向工程轨迹合成

• 从 GitHub issue 解决记录逆向推导解决过程
• 从代码评审注释逆向推导修改决策
• 从文档变更历史逆向推导重构过程

步骤二：SwallowCode 式数据改写

借鉴 SwallowCode 的 transform-and-retain 范式，但应用于轨迹数据：

改写维度：

1. 规划质量提升：用更强的模型重写初始规划
2. 工具选择优化：修正不合理的工具调用序列
3. 错误处理增强：添加缺失的错误检测和恢复逻辑
4. 状态验证完善：补充环境状态检查点

质量控制：

• 用真实环境验证改写后轨迹的可执行性
• 确保轨迹的决策逻辑连贯合理
• 保持原始语义内容，只优化表达和执行方式

步骤三：自主进化飞轮

自主任务生成：

• 基于现有轨迹模式自动生成新的复杂任务
• 任务复杂度随模型能力提升而递增
• 确保任务覆盖真实世界的 corner cases

质量评估与筛选：

• 多维度评估轨迹质量：可执行性、效率、鲁棒性
• 自动筛选高质量轨迹进入训练集
• 低质量轨迹进入下一轮改写循环

飞轮闭环：

新模型训练 → 生成更高质量轨迹 → 训练更好模型 → ...

质量控制

四层质量验证：

1. 语法验证：轨迹格式正确性
2. 执行验证：在真实环境中的可执行性
3. 逻辑验证：决策链的连贯合理性
4. 效用验证：对模型训练的实测增益

消融实验设计：

• 对比不同轨迹成分的贡献度
• 验证改写 vs 过滤的效果差异
• 评估飞轮迭代的边际收益

成本与可行性评估

技术可行性

已有技术基础：

• SwallowCode 的数据改写技术已验证有效
• Terminal-Bench 2.0 等评估框架已成熟
• NVIDIA Data Flywheel Blueprint 提供参考架构

技术风险：

• 轨迹数据的隐私和安全性
• 模拟环境的真实度保证
• 飞轮收敛稳定性

资源需求

计算资源：

• 初始阶段：10-20 张 H100（轨迹生成和验证）
• 飞轮阶段：50-100 张 H100（自主进化循环）

数据资源：

• 真实用户轨迹采集需要工具厂商合作
• GitHub 等开源数据需要合规使用

时间规划：

• 阶段一（3个月）：轨迹采集和改写技术验证
• 阶段二（6个月）：飞轮闭环构建和优化
• 阶段三（持续）：自主进化和规模扩展

风险与缓解

技术风险

轨迹真实性风险：模拟轨迹可能与真实用户行为有差异

• 缓解：多源验证，真实用户轨迹作为黄金标准

飞轮发散风险：自主进化可能产生不合理的轨迹模式

• 缓解：设置严格的评估阈值，人工定期审核

合规风险

隐私风险：用户轨迹采集涉及隐私问题

• 缓解：严格匿名化，只保留行为模式

版权风险：使用开源代码可能涉及版权

• 缓解：只使用许可明确的开源项目

预期产出

直接产出

数据集：

• AgenticCoding-Trajectory-v1：10万条高质量轨迹
• 覆盖终端操作、代码修改、调试、部署等场景
• 总规模：~50B tokens

技术成果：

• 轨迹数据合成 pipeline（开源）
• 数据改写和质量评估工具链
• 自主进化飞轮框架

间接价值

行业影响：

• 为 Agentic Coding 模型训练提供标准数据集
• 推动轨迹数据合成技术标准化
• 降低 Agentic Coding 模型开发门槛

商业价值：

• 可用于训练更强大的代码助手
• 在软件开发自动化领域有广泛应用
• 可能成为新的数据服务业务

与已有工作的关系

与 SwallowCode：借鉴 transform-and-retain 范式，但应用于轨迹数据而非代码片段

与 Deep Research 数据合成：共享逆向工程思路，但 Agentic Coding 涉及更复杂的环境交互

与 Terminal-Bench 2.0：使用其评估框架，但专注于数据生成而非模型评估

一句话总结

Agentic Coding 的下一个突破点不在模型架构，而在训练数据——我们需要从生成”代码结果”转向生成”决策轨迹”，构建能够自主进化的数据飞轮。