智能体的数据问题

做AI Agent最大的坑，就是你拿一个在benchmark上跑出99%准确率的模型丢到真实环境里，它立刻变成傻子——API调用失败不知道怎么恢复，工作流一变就卡死。说白了，这根本不是模型能力的问题，是数据覆盖了死角和失败路径。NVIDIA这篇东西讲透了：Agent不是自动补全加工具，它得能处理真实世界的各种意外，而这些意外必须靠数据去喂。但现实是，最宝贵的数据都在企业手里，谁都不愿公开自家的秘密。于是合成数据就成了唯一既能保留信号、又不暴露源头的手段。你不可能让一个模型学会处理它从来没见过的异常，所以归根结底，Agent工程本质上就是个数据工程。

他们给出的解法很具体：用合成数据构造多样化的失败场景和用户行为。NVIDIA的Nemotron开放数据家族里，有超过10万亿预训练token和数百万后训练样本，覆盖了代码、数学、工具调用、安全、多步推理等各个维度。为了让开发者能直观理解数据长什么样，他们还做了个Prompt Atlas可视化地图，把每个样本按语义聚类，你可以直接点进去看某个区域（比如Agent行为、安全）里具体是什么prompt，再用这些信号去筛选你的训练数据或构建评估集。更关键的是，合成数据要“本地化”——Nemotron-Personas就是基于地区人口统计生成合成用户画像，解决不同文化下“攻击性”的不同表达（比如韩语里礼貌级别才是攻击性的载体）。他们强调，质量是局部的，只有熟悉当地语言和文化的团队才能参与构建和审核。

我的启发是：合成数据的价值不在于“量产”，而在于让不同组织能坐到同一张桌子上——公司不用交出核心资产，政府不用牺牲隐私，研究者不用等永远不会来的授权。AI稀缺的不是token，而是组织间的信任，合成数据是少数能构建这种信任的工具。另外，数据质量在不同场景下标准完全不同：推理数据需要更难的题目和更干净的轨迹，persona数据需要分布忠实度和本地审核，Agent数据需要任务多样性和失败覆盖。这行目前还是手艺活，不是公式。开放数据+合成数据才是让Agent真正可复现、可审查、可信任的路径，权重只是冰山一角。