Terminal-Universe：把 Agent 的历史轨迹「还原」成可反复使用的训练环境

轨迹只是一次性示范，环境才能反复出题：从日志里把环境重建出来

3 分钟版

问题　后训练需要可执行、可验证的环境，但从零生成环境很难做得真实。已有的大量 Agent 轨迹只能作为一次性示范来模仿，无法重新出题或提供执行反馈。

思路　三步重建：确定性重放轨迹中的读写编辑操作，恢复每个文件在被修改前的版本，得到部分工作区；补全 Agent 补齐缺失文件和依赖，让任务可解但不替它实现；只保留足以完成任务的工作区。在此基础上既恢复原始任务意图，也合成全新任务，并沿两个方向扩展：广度（挖掘相关仓库间的依赖，合成跨仓库任务）和深度（用户 Agent 把单轮需求扩成多轮反馈会话）。每个任务配一个由 Agent 编写的 pytest 验证器，全部通过才保留。

结果　从公开终端轨迹重建出 37.3k 个任务充分的环境。用 32.0k 条筛选后的轨迹微调 Qwen3.5-27B，Terminal-Bench 2.1 达到 58.1%（+11.9），EvoCode-Bench v2 多轮 MT@4 提升 13.8 分（作者自报）。

所以呢　同样数据量下，在重建环境中让教师「重做一遍」比直接模仿原轨迹效果好得多（52.1 vs 36.7）。作者提醒，任务、解答和验证器都出自同一个教师模型，教师的盲区可能被验证器漏掉。

关键数字

• +11.9 Terminal-Bench 2.1 提升（Qwen3.5-27B）（§5.2）
• 37.3k 重建出的任务充分环境数（摘要）
• 52.1 vs 36.7 重做任务 vs 直接模仿原轨迹（Terminal-Bench 2.1 平均）（§6.1 · Table 4）
• +4.2 加入补全 Agent 带来的提升（§6.2）

局限与疑问

• 任务、解答和验证器都出自同一教师，可能相互掩盖错误（作者自述）。
• 标准容器对特殊依赖的保真度有限。
• 覆盖面受限于公开源轨迹。
• 成绩为作者自报，部分对比取自其他报告。

arXiv 摘要页 · PDF