北京讯 – 阿里巴巴通义实验室近日发布了一款名为WebShaper的AI训练数据合成系统，旨在为AI智能体（Agent）的训练提供高质量、可扩展的数据，从而推动AI在复杂信息检索任务中的应用。
WebShaper的核心在于其创新的数据合成方法，它并非依赖于传统的预检索数据，而是通过形式化建模和智能体扩展机制，让AI自己“出题”，生成可控、可解释、可扩展的高质量任务。
形式化建模：知识投影的妙用
WebShaper首次引入了基于集合论的“知识投影”（Knowledge Projection, KP）概念。简单来说，KP就是一个包含特定实体的集合。通过对这些集合进行交集、并集和递归操作，WebShaper能够构造复杂的问题结构，并精准控制推理路径和任务复杂度。
例如，在处理“2000-2010年参赛的球员”这类具有不确定性条件的问题时，WebShaper可以通过并集操作轻松解决；而对于“2000年参赛且90年代出生的球员”这类多条件约束问题，则可利用交集操作进行处理。
智能体扩展：AI自己当“出题人”
WebShaper的另一大亮点是其智能体扩展机制。系统从一个简单的“种子问题”出发，通过Expander智能体逐步扩展成复杂的推理任务。Expander智能体能够调用搜索、摘要、验证等工具，逐步构造出更复杂、逻辑清晰的问题，并验证答案的正确性。这种机制确保了推理链条的清晰，以及任务结构的可控性。
Agent训练策略：监督微调与强化学习的结合
在训练策略上，WebShaper采用了监督微调（SFT）和GRPO强化学习的组合策略，使AI智能体在模糊、多跳信息中逐步掌握推理与检索能力。训练从高质量的训练轨迹开始，通过奖励机制引导模型进行多步推理，避免“走捷径”或“猜答案”。
技术原理：形式化驱动框架
WebShaper采用集合论对信息检索任务进行系统形式化，其核心是“知识投影”（Knowledge Projections, KP）概念。KP是基于特定关系的实体集合，通过知识投影操作，可以实现对复杂问题的分解和处理。
应用场景：潜力无限
WebShaper的应用场景十分广泛，包括：
- 文献整理与分析： 帮助研究人员快速收集和整理相关文献，进行跨学科的知识发现。
- 市场调研： 用于市场调研、竞争分析和投资决策支持。
- 智能学习助手： 帮助学生进行深度学习和研究性学习。
- 生活决策： 在出行规划、健康查询、生活决策等场景下，为用户提供个性化的信息支持。
- 医疗信息查询： 帮助用户查询医疗健康信息，提供专业的医疗建议和健康咨询。
项目地址：
- Github仓库：https://github.com/Alibaba-NLP/WebAgent
- HuggingFace模型库：https://huggingface.co/datasets/Alibaba-NLP/WebShaper
- arXiv技术论文：https://arxiv.org/pdf/2507.15061
结论：
WebShaper的推出，标志着AI训练数据合成技术迈出了重要一步。通过形式化建模和智能体扩展机制，WebShaper有望解决AI智能体训练中数据质量和可扩展性的难题，为AI在更多领域的应用提供强有力的支持。未来，随着技术的不断发展，我们有理由相信，WebShaper将在推动AI技术进步的道路上发挥更大的作用。
Views: 0