2026年7月21日 · Apple
Environment-free Synthetic Data Generation for API-Calling Agents
Apple 机器学习研究团队提出一种无需环境（environment-free）的合成数据生成方法，用于训练 API 调用型 LLM 智能体。该方法利用 LLM 作为即时数字世界模型，仅根据 API 规范生成模拟智能体与有状态环境交互的轨迹，从而避免对完整实现环境和预填充后端数据库的依赖。
EVENT STORY
发展脉络
- 首次出现Environment-free Synthetic Data Generation for API-Calling AgentsApple Machine Learning Research
- 当前判断该研究可能降低 API 调用型智能体训练数据的获取门槛，使更多团队无需构建复杂环境即可生成训练数据。若该方法有效，可能加速智能体领域的数据飞轮，但需关注生成轨迹的多样性和真实性。Agent Pulse · 分析
Apple 机器学习研究团队提出一种无需环境（environment-free）的合成数据生成方法，用于训练 API 调用型 LLM 智能体。该方法利用 LLM 作为即时数字世界模型，仅根据 API 规范生成模拟智能体与有状态环境交互的轨迹，从而避免对完整实现环境和预填充后端数据库的依赖。
该方法的核心创新在于将 LLM 用作数字世界模型，在给定 API 规范的情况下即时生成有状态环境的交互轨迹，从而绕过了传统合成数据生成对完整环境实现和预填充数据库的依赖。这暗示了合成数据生成可能从环境模拟转向模型驱动的模拟，但具体生成机制和轨迹质量评估细节尚未披露。
该研究可能降低 API 调用型智能体训练数据的获取门槛，使更多团队无需构建复杂环境即可生成训练数据。若该方法有效，可能加速智能体领域的数据飞轮，但需关注生成轨迹的多样性和真实性。
对 Apple 而言，该方法可能降低智能体训练成本，加速其 AI 产品迭代。对行业而言，可能催生新的数据生成工具或服务，降低智能体开发门槛。
后续可关注该方法在公开基准上的效果对比，以及是否被集成到 Apple 的智能体训练流程中。若验证有效，可能推动行业采用类似的环境无关合成数据方法。