Terminal-Universe: 将智能体轨迹转化为可扩展的终端环境

TL;DR Terminal-Universe 将终端 agent 轨迹回放为可执行环境，并扩展跨工作区与多轮任务，生成大规模可验证训练数据，SFT 后 Qwen3.5-27B 在 Terminal-Bench 2.1 提升 11.9 点、EvoCode-Bench v2 MT@4 提升 13.8 点。

问题

问题背景

终端代码智能体（terminal-based code agents）后训练的核心矛盾正在凸显：轨迹数据 已随 agent 运行大规模积累，但可执行环境 依然稀缺，而环境才是后训练真正需要的——每个环境可重新查询出多个可验证任务，并提供执行反馈；轨迹只是一个冻结的演示。

现有方法局限

• 从零生成环境：现有工作用 LLM 直接合成文件系统与依赖，但这类环境往往不真实、依赖不全，且生成成本随任务复杂度剧增。
• 直接使用轨迹：将轨迹作为 SFT 数据，仅提供单轮、单意图的静态演示，无法产生新的查询，不包含执行时反馈，也无法覆盖真实开发中的跨仓库、多轮需求变化。
• 任务扩展受限：缺少从已有环境沿广度（跨代码库查询）和深度（多轮交互）扩展任务的机制，导致后训练数据多样性不足。

为什么这个问题难且重要

技术挑战：从轨迹逆向重建可执行工作区，需要重放文件操作恢复修改前状态，并补齐缺失的文件与依赖；验证环境可执行性本身需要可运行的 agent 交互。此外，挖掘环境间依赖关系以生成跨工作区查询，以及模拟用户多轮反馈，都增加了复杂性。

业界关注度：post-training 规模化需要海量可验证任务，环境复用能显著降低数据成本，同时提升模型在单轮与多轮场景下的泛化能力。终端 agent 的评测与训练目前严重受限于环境构建瓶颈，该方法为利用已有轨迹增量构建训练基座提供了新路径。

行业类比：类似于从自动驾驶路测日志重建仿真场景，将一次性记录转化为可反复注入扰动和交互的训练环境，从而放大数据价值。

核心洞察

• **可执行环境的价值高于冻结轨迹**：Terminal-Universe 的核心思路是回放轨迹中的文件操作以恢复 agent 修改前的 workspace，再利用 completion agent 补齐缺失文件与依赖，将单条轨迹转化为可重复查询的环境。与直接使用轨迹作为 SFT 样本相比，环境可将每个 workspace 重新询问为多个可验证任务，并提供 execution feedback，使训练数据从静态演示升级为动态交互来源，显著提升数据效率。
• **双轴任务扩展模拟真实开发模式**：框架沿 breadth 和 depth 两个维度扩增任务：breadth 挖掘环境间方向性依赖并合成跨 workspace 查询，depth 引入 user agent 将单轮查询扩展为多轮迭代反馈。这种设计与以往只做单 workspace、单轮合成的数据增强不同，更贴近实际开发中跨代码库检索与需求逐步细化的过程，有助于模型学到更通用的 agent 行为。
• **以验证为中心的自动化数据生产闭环**：Terminal-Universe 在重建 workspace 上通过 verifier 过滤任务，确保生成样本的 execution feedback 正确可靠，形成“重建-重查询-验证”的闭环。相比依赖人工标注或简单重放，该框架利用可执行环境的反馈信号自动筛选高质量 SFT 数据，支持大规模、低成本且可复用的训练语料构建，为终端 agent post-training 提供了可扩展方案。

方法

输入与重建

Terminal-Universe 的输入是已有终端智能体的历史轨迹，每条轨迹包含一系列工具调用与文件操作记录。方法先回放轨迹中的文件操作，将每个文件恢复到智能体修改前的状态，得到一个部分工作区；随后由一个 completion agent 补齐缺失的文件与依赖，形成可执行的完整环境。该过程不对环境做从零生成，而是利用轨迹中暴露的结构与内容进行重建。

关键模块

1. 环境重建：基于轨迹回放得到部分工作区，再用 completion agent 根据现有文件结构、错误信息等补全缺失项，最终产出任务充分环境。
2. 再查询与任务合成：在恢复的工作区上，既重建原始任务意图，又生成全新任务。任务扩展沿两个轴向：
   • 广度扩展：挖掘不同工作区之间的定向依赖关系，合成跨代码库查询任务，模拟真实开发中多仓库联调场景。
   • 深度扩展：将单轮查询扩展为多轮会话，用一个 user agent 模型产生迭代的用户反馈与需求细化，模拟实际开发中的持续交互。
3. 验证与过滤：通过 verifier 对生成的任务与环境进行可执行性、正确性校验，过滤掉低质量样本，保证训练语料可靠性。

输出与差异

最终输出为 37.3k 个任务充分环境，可直接用于 SFT 训练。与从零生成环境或在固定 benchmark 上采样轨迹的方法不同，Terminal-Universe 复用现有轨迹中的隐式环境信息，以低成本重建可查询、可验证的多样环境，并通过广度/深度两个轴向系统化扩展任务分布。

实验

实验设计

Terminal-Universe 从公开终端 agent 轨迹重构出 37.3k 个 task-sufficient 工作区，再通过意图恢复、单工作区新任务合成、跨工作区查询、多轮用户查询四类方式生成 SFT 语料。使用 Qwen3.5-27B 进行监督微调，在 Terminal-Bench 2.1 上评估单轮性能，在 EvoCode-Bench v2 上以 MT@4 评估多轮性能。

关键发现

• 在 Terminal-Bench 2.1 上，单轮性能提升 11.9 分；在 EvoCode-Bench v2 MT@4 上提升 13.8 分。
• 广度扩展（跨工作区查询）和深度扩展（多轮会话）均带来额外增益，证明从轨迹重构环境比直接用轨迹作示范更有效。

与基线对比

基线为未做该 SFT 的 Qwen3.5-27B。提升不仅来自更多数据，还因为重构环境提供了可执行反馈，使训练样本可验证、可重新查询。相比将轨迹作为冻结演示，Terminal-Universe 把每个轨迹变成可复用环境，支持生成多样任务和持续交互，覆盖真实开发中的跨代码库与需求迭代场景。这种设计放大了 trajectory 的价值，为终端 agent 后训练提供了更可扩展的路径。

行业影响

落地场景

Terminal-Universe 可直接用于代码 agent 的训练数据生产线。企业可从 agent 交互日志（IDE 插件、CI/CD 部署记录、自动化运维脚本）中恢复出可执行 workspace，再合成带执行反馈的任务。适用产品包括智能 IDE、企业 DevOps 助手、开源模型微调数据供应商。对工程启示：利用已有轨迹逆向生成环境，成本远低于从零构建虚拟环境，且更贴近真实上下文。

商业价值

该方法大幅降低环境构建与标注成本。传统方式需人工复现代码库并编写验证脚本；Terminal-Universe 半自动重建 workspace，单条轨迹可扩展出多个任务。用此语料 SFT 后，Qwen3.5-27B 在 Terminal-Bench 2.1 提升 11.9 分，在 EvoCode-Bench v2 多轮 MT@4 提升 13.8 分。模型更可靠，可减少人工介入，转化为用户续费、降低 support 成本和加速交付。

与现有产品/工作流接口

可作为现有 agent 训练栈的环境生成层：

• 对接 CI/CD 系统（GitHub Actions、GitLab CI），从构建日志还原测试环境。
• 对接轨迹收集框架（LangSmith、AgentOps），将历史 session 转为可复用 workspace。
• 产出数据可喂给 SFT/RLHF pipeline 或作为 reward model 的 sandbox。

具体落地场景

1. 电商平台代码助手：从跨微服务修改促销逻辑、库存同步的 agent 轨迹恢复 workspace，合成跨仓库查询任务，训练 agent 自动完成“在订单服务和库存服务中同时调整满减规则”这类多步操作。
2. 金融系统自动化测试：从交易系统终端调试记录重建沙盒环境，生成多轮“用户反馈→修改代码→验证”的训练任务，提升 agent 在受监管环境下的准确性。

局限

• - **环境重建的完整性风险**：论文承认环境重建依赖 completion agent 补全缺失文件，可能引入错误或幻觉，导致重建后的 workspace 与原始环境存在偏差。虽然 verifier 进行过滤，但无法完全保证可执行性与正确性，尤其在依赖复杂或版本敏感的场景中。
• - **任务扩展的泛化局限**：breadth 扩展依赖跨 workspace 的依赖关系挖掘，但实际依赖关系可能稀疏，限制了可扩展的环境数量；multi-round 用户代理模拟的反馈类型有限，难以覆盖真实用户需求的多样性和模糊性。此外，实验仅在 Qwen3.5-27B 上验证 SFT 效果，未探索不同模型规模或结合 RL 的收益。
• - **与同类工作对比不足**：论文未与从零生成环境的强基线（如合成环境生成器）直接对比，难以评估重建路线的相对优势；数据构建流程涉及多个 agent 和 verifier，工程复杂度高，且未深入分析数据质量、多样性与模型性能之间的定量关系。