大型語言模型為核心：免環境合成資料生成，突破API呼叫代理訓練瓶頸

提出一種新的 API-Calling LLM 訓練方法，解決數據收集瓶頸，對研究者和有需求的開發者有實質技術價值。

訓練呼叫API的大型語言模型代理（API-calling LLM agents）極需海量高品質的互動軌跡（trajectories），但傳統數據收集方式因依賴實作環境（implemented environments）與可執行API（executable APIs）而構成嚴峻的擴展性瓶頸（scalability bottleneck）。為克服此挑戰，本研究提出一種環境無關（environment-free）的合成資料生成（synthetic data generation）方法，利用大型語言模型作為即時的數位世界模型（digital world models）。

• 該方法僅需API規範（API specifications），便能生成模擬代理與有狀態環境互動的軌跡。 • 具體來說，一個LLM會先生成多樣化的任務，接著一個教師代理（teacher agent）迭代解決任務，同時一個LLM模擬器（LLM simulator）根據任務上下文和模擬歷史產生連貫的合成API響應。 • 最後，一個LLM評判器（LLM judge）會過濾這些軌跡，以確保生成數據集的品質。

在AppWorld和OfficeBench等基準測試上的評估顯示，利用其合成數據微調模型能帶來顯著的效能提升（significant performance gains），證明即使沒有任何可執行環境（executable environment），也能為API呼叫代理生成有效的監督數據。

作者強調：「基於大型語言模型的API模擬，為訓練跨多樣API生態系統代理提供了一個實用且可擴展的解決方案。」