岗位描述
研究领域： 大数据 项目简介： 随着大语言模型在 Agentic 领域的快速演进，行业竞争重心正从能回答向能完成任务加速转移。Agent 需要在真实或仿真环境中理解目标、调用工具、与外部状态持续交互，并在多步推进中完成复杂任务。在这一范式下，高质量、可验证、覆盖多样任务类型的训练种子数据，成为决定模型 Agentic 能力上限的核心要素。 然而，当前 Agentic 训练数据建设面临三重结构性困难：第一，真实世界任务数据稀缺且标注成本极高，依赖人工构建或外部采购的方式既缺乏灵活性，又难以在质量与规模上同时达标；第二，现有数据扩量方案过度集中于软件工程（SWE）单点场景，无法系统性覆盖信息检索、数据处理、服务编排、复杂规划等通用 Agent 任务类型，导致模型能力在多个关键维度上存在明显缺口；第三，通用 Agent 种子数据结构远比 SWE 复杂，除程序执行环境外还需配套任务初始数据（Fixture）、Mock 服务与个性化评分标准（Rubrics），目前缺乏端到端的自动化生产链路。 本研究提出 Anything-Agentic 框架，以六类正交任务类型（软件工程、信息检索与整合、数据处理与分析、内容创作与生成、服务编排与事务执行、复杂规划与决策）为统一任务空间，针对 SWE 专项场景与通用 Agent 场景分别构建全自动化种子扩量 Agent，实现从 Persona 构建、任务生成、环境搭建、评分标准生成到质量验证的五阶段流水线闭环，最终输出可直接用于轨迹合成与后训练蒸馏的高质种子数据池。