# 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

- Link: https://paooo.com/aigc-news/14354/
- Published: 2026-06-25T17:12:22+08:00
- Author: Prompt 语宙研究院

⚡ [Prompt](https://paooo.com/ai-image-prompts/) 语宙 AI 导读 · 30 秒核心看点

 * 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](https://paooo.com/trends/)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。

阅读目录

 * [WebShaper是什么](https://paooo.com/aigc-news/14354/#webshaper%e6%98%af%e4%bb%80%e4%b9%88)
 * [WebShaper的主要功能](https://paooo.com/aigc-news/14354/#webshaper%e7%9a%84%e4%b8%bb%e8%a6%81%e5%8a%9f%e8%83%bd)
 * [WebShaper的技术原理](https://paooo.com/aigc-news/14354/#webshaper%e7%9a%84%e6%8a%80%e6%9c%af%e5%8e%9f%e7%90%86)
 * [WebShaper的项目地址](https://paooo.com/aigc-news/14354/#webshaper%e7%9a%84%e9%a1%b9%e7%9b%ae%e5%9c%b0%e5%9d%80)
 * [WebShaper的应用场景](https://paooo.com/aigc-news/14354/#webshaper%e7%9a%84%e5%ba%94%e7%94%a8%e5%9c%ba%e6%99%af)
       * [📝 站长洞察 (Editor’s Insight)](https://paooo.com/aigc-news/14354/#%f0%9f%93%9d-%e7%ab%99%e9%95%bf%e6%b4%9e%e5%af%9f-editor8217s-insight)

![WebShaper](https://paooo.com/wp-content/uploads/2026/05/WebShaper-website-1.avif)

## 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。

🔬 语宙深潜追问 · 进阶实操拆解

集合论建模为何能提升数据质量？

它把任务空间、约束和样本覆盖关系显式化，能更稳定地控制难度、去重和分布。相比纯随机
合成，集合论建模更适合做“可控覆盖”，让训练数据既有多样性，又能精准补齐模型薄弱区域。

SFT加GRPO该怎么分工最合理？

SFT负责把基础格式、工具调用和任务模板学稳，GRPO再针对推理链路、检索策略和奖励偏好
做强化。实操上应先用高置信合成数据打底，再用难例和对抗样本做偏好优化，避免模型只
会“答得像”不会“做得对”。

🗳️ 读者观点微投票 · 您的实战立场是？

AI自动造训练数据，真能替代人工标注吗？

🕸️ 语宙向量知识图谱 · 语义强关联深度内链

[🤖 所属权威专题：AI Agent 智能体工作流 →](https://paooo.com/topics/ai-agents/)

 * [阿里通义开源WebResearcher：迭代式深度研究Agent，自主拆解复杂问题的AI研究助手](https://paooo.com/aigc-news/13685/)
 * [阿里通义开源 WebWeaver：颠覆性双Agent框架，让小型模型实现专家级深度研究](https://paooo.com/aigc-news/13654/)
 * [阿里通义DeepResearch：开源30B参数深度研究智能体，赋能AI Agent新范式](https://paooo.com/aigc-news/13691/)
 * [WebAgent：阿里开源自主搜索AI Agent，重新定义信息检索与推理能力](https://paooo.com/aigc-news/15047/)

[🏛️ Prompt 语宙研究院](https://paooo.com/author/paooo-research/) · Prompt 语宙研究院（
paooo.com Research）专注于前沿多模态大模型架构拆解、AI Agent 工作流评测、AIGC 提示
词工程（Prompt Engineering）与全球高增长 AI 生产力工具实测追踪，致力于为中文开发
者与创作者提供一手、可复现的深度技术洞察。

[📄 Markdown 纯净版](https://paooo.com/aigc-news/14354/?format=md)

💡 这篇内容对您有启发吗？

[📡 RSS 订阅](https://paooo.com/feed/)[✨ 提交 AI 工具 / 合作](https://paooo.com/submit-tool/)

**🚀 Prompt 语宙 AI 创作者生态：**探索 2,800+ 全球实用 AI 工具与高精度生图提示词
咒语库

[🧭 语宙 AI 导航 (ai.paooo.com)](https://ai.paooo.com/)[🎨 AI 生图 Prompt 库](https://paooo.com/ai-image-prompts/)
[📚 核心专题导航](https://paooo.com/topics/)[⚡ AIGC 早报生成器](https://paooo.com/mtool/)