What Makes Good Agentic Data? An ACE Lens on Data Generation for LLM Agents
arXiv 论文 2608.27260 提出将 agentic data 表示为因子化对象 (E,q,τ,v)，并通过 Accuracy-Complexity-divErsity (ACE) 视角将生成视为约束分布设计。论文指出现有工作以领域为中心组织，评估异质，常混淆候选构建与验证选择。
Development
- First ReportWhat Makes Good Agentic Data? An ACE Lens on Data Generation for LLM AgentsHugging Face Daily Papers
- Industry ResponseWhat Makes Good Agentic Data? An ACE Lens on Data Generation for LLM AgentsarXiv cs.AI
- Current Assessment该框架可能推动 agent 数据生成工具的发展，使数据生成从领域特定转向通用方法。企业可借鉴 ACE 视角优化数据生成流程，提高 agent 训练效率。但框架仍处于理论阶段，需更多实证验证。Agent Pulse · analysis
该论文提出一个两层次框架来理解 LLM agent 的交互数据生成。首先，将 agentic data 表示为因子化对象 (E,q,τ,v)，包含环境规范、任务信号、交互实现和可选验证器，并依据主要锚点和依赖结构组织生成范式。其次，通过 ACE 视角将生成公式化为约束分布设计：Accuracy 建立可行支持，Complexity 根据学习者能力分配学习质量，divErsity 控制覆盖。论文批评现有领域中心组织掩盖了共同机制，并混淆了候选构建与验证选择。
ACE 框架将数据生成分解为 Accuracy、Complexity 和 divErsity 三个维度，为评估生成数据质量提供了结构化视角。将 agentic data 因子化为 (E,q,τ,v) 有助于统一不同领域的生成机制。未来可关注该框架在具体 agent 任务中的实证应用，以及如何量化 Complexity 与学习者能力的关系。
该框架可能推动 agent 数据生成工具的发展，使数据生成从领域特定转向通用方法。企业可借鉴 ACE 视角优化数据生成流程，提高 agent 训练效率。但框架仍处于理论阶段，需更多实证验证。
对于开发 agent 产品的公司，该框架提供了一种系统化思考数据生成的方式，可能降低数据成本并提升 agent 性能。但当前缺乏实证，商业价值尚待验证。
未来可能出现基于 ACE 框架的数据生成工具或基准，用于评估 agentic data 质量。研究者可能进一步细化 Complexity 的度量，并探索自动化的数据生成与验证流程。