训练能调用API的LLM Agent需要大量高质量轨迹数据，但传统方法依赖完整的环境（包含可执行API和预填充的后端数据库），这极大限制了规模化扩展。这篇论文提出一种无需环境的合成数据生成方法：只给API规范，利用LLM作为即时数字世界模型，自动生成模拟Agent与有状态环境交互的轨迹。

方法分三步。第一步，LLM根据给定的API规范，自动生成一系列可解决的任务。第二步，一个教师Agent（Teacher Agent）迭代执行每个任务，同时一个LLM模拟器（LLM Simulator）根据当前任务上下文和模拟历史，实时生成连贯的合成API响应，模拟真实环境返回。第三步，LLM Judge（评判器）过滤生成的轨迹，剔除低质量样本，确保最终数据集的质量。整个过程不需要任何真实的后端环境或预填充数据库。

论文在 AppWorld 和 OfficeBench 两个挑战性基准上评估了该方法，它们既包含信息检索任务也包含状态变更任务。用合成数据微调后的模型相比基线取得了显著性能提升，证明无需可执行环境就能生成有效的监督信号，用于训练API调用Agent。这项工作将基于LLM的API模拟确立为一种实用、可扩展的方案，能够在多样化的API生态系统中训练智能体。