--- title: "阿里通义WebShaper：AI自动出题训练数据合成系统，革新智能体训练范式" url: "https://paooo.com/aigc-news/14354/" author: "Prompt 语宙研究院" published_at: "2026-06-25T17:12:22+08:00" updated_at: "2026-06-07T20:22:54+08:00" categories: "AI 工具, AIGC 资讯" tags: "AI智能体, AI训练数据, WebShaper, 大模型微调, 强化学习, 阿里通义" source: "Prompt 语宙 (https://paooo.com)" ai_tools_directory: "语宙 AI 导航 (https://ai.paooo.com)" --- # 阿里通义WebShaper：AI自动出题训练数据合成系统，革新智能体训练范式 > 来源：[Prompt 语宙 (paooo.com)](https://paooo.com/aigc-news/14354/) · 作者：Prompt 语宙研究院 · 发布时间：2026-06-25 ## AI 30 秒核心看点 (TL;DR) - 首次用知识投影（KP）把信息搜寻任务集合化建模，复杂度与推理路径可精确控制。 - Expander智能体可从种子问题自动扩展出复杂任务，实现AI自己“出题”与验证。 - SFT结合GRPO强化学习，提升复杂信息检索场景下的多步推理与答案可靠性。 > **💡 站外导读：**当前，AI智能体（Agent）训练面临高质量、复杂度可控数据稀缺的瓶颈。传统方法依赖人工标注或低效合成，成本高且难以扩展，制约了模型处理真实世界复杂推理任务的能力。阿里通义实验室推出的WebShaper系统，创新性地提出让AI自己生成训练数据，通过形式化建模和智能体扩展机制，实现了训练数据的自动化、高质量与可扩展生产，为突破AI智能体训练的数据困境提供了全新路径。 ## WebShaper是什么 WebShaper 是阿里巴巴通义实验室推出的创新的 AI 训练数据合成系统。通过形式化建模和智能体扩展机制，为 AI 智能体（Agent）的训练提供了高质量、可扩展的数据。WebShaper 首次引入了基于集合论的“知识投影”（Knowledge Projection, KP）概念，通过 KP 的交集、并集和递归操作，构造复杂的问题结构，精准控制推理路径和任务复杂度。WebShaper 的 Expander 智能体能从简单的“种子问题”出发，逐步扩展成复杂的推理任务，让 AI 自己“出题”。训练策略结合了监督微调（SFT）和 GRPO 强化学习，使模型在复杂信息检索任务中表现出色。 ## WebShaper的主要功能 - **形式化建模**：WebShaper 首次提出了基于集合论的 IS（信息搜寻）任务形式化建模方法。通过“知识投影”（Knowledge Projection, KP）将复杂的信息搜寻任务分解为多个集合操作（如交集、并集、递归操作）。每个 KP 是一个包含特定实体的集合，通过这些操作可以构造出复杂的问题结构，精准控制推理路径和任务复杂度。 - **智能体扩展机制**：WebShaper 的一大创新是让 AI 自己“出题”。通过 Expander 智能体，系统从一个简单的“种子问题”开始，逐步扩展成复杂的推理任务。Expander 智能体调用搜索、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。确保了推理链条清晰，任务结构可控。 - **高质量数据生成**：WebShaper 通过形式化建模和智能体扩展机制，生成的训练数据不再是“靠猜题”，而是可控、可解释、可扩展的高质量任务。突破了预检索数据的边界，实现了更广泛的任务类型、能力激发和知识覆盖，减少了数据合成中的错误和冗余信息。 - **Agent 训练策略**：WebShaper 采用监督微调（SFT）和 GRPO 强化学习的组合策略，让 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”。 ## WebShaper的技术原理 - **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，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， - **知识投影操作** **R-并集**：用于处理不确定性条件，例如“2000-2010年参赛的球员”可以通过并集操作表示。 - **交集**：用于处理多条件约束，例如“2000年参赛且90年代出生的球员”。 - **任务扩展机制**：WebShaper 通过“种子任务”开始，利用扩展器（Expander）逐步扩展问题复杂度。扩展器基于形式化框架，结合检索和验证工具，将简单问题扩展为复杂问题，确保逻辑一致性和任务难度。 - **数据合成与训练**：生成的复杂问题被转换为训练数据，通过监督微调（SFT）和强化学习（如 GRPO 算法）进行模型训练，提升模型在复杂信息检索任务中的推理能力。 ## WebShaper的项目地址 - **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 ## WebShaper的应用场景 - **文献整理与分析**：WebShaper 可以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**：WebShaper 可以用于市场调研、竞争分析和投资决策支持。企业分析师可以让 AI 系统自动收集行业数据、分析市场趋势、评估竞争对手的策略。 - **智能学习助手**：WebShaper 可以成为智能学习助手，帮助学生进行深度学习和研究性学习。 - **生活决策**：WebShaper 可以在出行规划、健康查询、生活决策等场景下，即开即用，为用户提供个性化的信息支持。 - **医疗信息查询**：WebShaper 可以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。 #### 📝 站长洞察 (Editor's Insight) WebShaper的发布，标志着AI训练范式正从“数据喂养”向“数据自生长”演进。其核心创新在于用形式化方法（集合论）将模糊的“信息搜寻”任务结构化、可控化，并引入Expander智能体实现任务的自动化、复杂化扩展，这解决了高质量训练数据合成的可解释性与可控性难题。更深远看，它预示了AI发展的新循环：让模型参与甚至主导自身训练数据的构建，形成更高效的“自举”式进化。结合SFT与GRPO强化学习的混合策略，也体现了当前业界提升Agent推理能力的主流技术融合路径。对于整个行业而言，此类技术将加速专用AI智能体的开发进程，降低对人工数据标注的依赖，是推动AI走向更深、更复杂应用场景的关键基础设施。 ## 常见问题解答 (FAQ) ### WebShaper是什么？ WebShaper是阿里通义实验室推出的AI训练数据合成系统，核心是用形式化建模和Expander智能体自动生成高质量、可扩展的Agent训练任务，重点面向复杂信息检索与推理能力训练。 ### WebShaper为什么能提升智能体训练效果？ 它把模糊的信息搜寻任务拆成可控的集合操作，并通过种子问题逐步扩展出复杂任务，再结合SFT和GRPO训练，减少“猜答案”和数据噪声，让推理链条更清晰。 ### WebShaper适合哪些应用场景？ 文章提到它可用于文献整理与分析、市场调研、智能学习助手、生活决策和医疗信息查询等场景，适合需要多步检索、信息整合和复杂推理支持的任务。 --- 探索 2,800+ 全球实用 AI 工具与官方直达入口：[语宙 AI 导航 (https://ai.paooo.com/)](https://ai.paooo.com/)