WorkForge 腾讯联合复旦推出的智能体训练环境构建框架

WorkForge是什么

WorkForge是腾讯混元与复旦大学联合推出的智能体训练环境构建框架。WorkForge从专家工作流蓝图出发，自动检索真实世界资源搭建工作区，基于工作区事实生成任务与双重验证标准，让智能体执行产出轨迹数据。WorkForge已建成16.7K个可验证环境，横跨40个专业领域，可将35B模型的GDPval得分提升28分，逼近前沿模型水平。

WorkForge的主要功能

• 场景蓝图构建 ：将专家经验沉淀为可复用的工作流模板，定义交付物、所需资源与关键决策点。
• 真实工作区合成 ：由获取智能体从网络搜索下载真实代码仓库、数据集与网页资料，按原始目录结构搭建工作区。
• 环境画像与事实锚点提取 ：自动摸清每个文件的角色、依赖关系，并记录可直接核对的事实支撑。
• 任务生成 ：结合蓝图与画像，产出扎根于工作区实际内容的任务指令和隐藏参考解法。
• 双重验证机制 ：程序化检查核对数值与文件生成，LLM 评委按评分细则评估语义质量。
• 轨迹采集与评分 ：智能体在仅可见工作区和任务说明的条件下自主执行，全过程连同分数保存为训练数据。
• 规模化环境产出 ：一键生成 16.7K 个可验证工作环境，覆盖 40 个专业领域和 60 种文件类型。
• 智能体后训练 ：用产出的长程轨迹微调模型，显著提升其职场任务执行能力。

WorkForge的技术原理

• 事实锚点驱动的任务-验证共生设计 ：WorkForge 的核心 premise 是任务能否提出、结果能否验证，都取决于工作区中可观察的事实。它先对工作区做全面画像（Profiling），提取文件角色、跨文件依赖和具体可核对的事实记录，任务指令、参考解法、程序化检查项和语义评分细则全部从这些事实锚点推导，参考解法中的关键事实还会回工作区复核。
• 2. 真实资源驱动的环境复杂度构建 ：与 LLM 合成工作区不同，WorkForge 用获取智能体迭代执行搜索—阅读—下载—预览循环，从真实仓库和数据集中采集资源并保留其原始目录结构。对照实验显示，真实工作区文件数是合成环境的 5.4 倍、文件类型 2.4 倍，证据分散在整个目录树而非集中在少数文件，迫使智能体先探索、再判断，产生真实的操作摩擦和长程交互需求。
• 程序化和语义双轨验证 ：验证模块由互补的两部分组成：程序化验证器检查确定性要求，如数值是否正确、目标文件是否生成、工作区状态是否符合预期，按指示函数计分；语义验证器由任务指令配置 LLM 评委，对开放式交付物按评分细则逐项打分并归一化。双轨分数分开保留，实验表明两者结合的混合筛选（ALE 22.11）显著优于单用任一信号（15.62 / 14.89），因为两类验证捕捉了交付质量的不同维度。

如何使用WorkForge

WorkForge 目前是研究框架，论文未提及开源代码或数据集的公开渠道。

WorkForge的核心优势

• 真实性更强 ：直接从真实世界资源构建工作区，文件数、类型数和体积分别是 LLM 合成环境的 5.4 倍、2.4 倍和 13 倍，证据分散在目录树中而非集中暴露。
• 验证可溯源 ：任务、参考解法和评分标准全部从工作区事实锚点推导，关键事实回工作区复核，杜绝幻觉式评测要求。
• 双重验证互补 ：程序化检查（数值/文件）与 LLM 语义评分相结合，混合筛选效果远超单用任一信号。
• 长程交互训练 ：平均 31.8 步、7.6 万 tokens 的真实探索轨迹，让模型学到探索、取证、纠错、交付的完整工作过程。
• 规模化能力 ：一条管线产出 16.7K 个环境、横跨 40 个领域，相比手工构建环境大幅降低工程成本。
• 性能提升显著 ：A3B 模型 GDPval 提升 28.1 分，全面领先所有 100B 专用智能体模型；27B 模型反超 15 倍参数量的 397B 模型。

WorkForge的项目地址

• arXiv技术论文 ：https://arxiv.org/pdf/2610.04906

WorkForge的同类竞品对比

对比维度 | WorkForge（腾讯混元×复旦） | ClawGym（人大高瓴等）

WorkForge的应用场景

• 智能体训练数据生产 ：为企业/研究机构规模化生成高质量长程轨迹数据，用于后训练自己的工作智能体，摆脱手工造环境的成本瓶颈。
• 职场数字员工培养 ：针对办公、数据分析、金融、教育等 40 个专业领域，训练能交付报告、表格、PPT 等真实交付物的数字员工。
• 智能体能力评测 ：其事实锚点驱动的双轨验证机制可作为评测范式，用于检验智能体在杂乱文件环境中的探索、取证与交付能力。
• 领域工作流数字化 ：企业将内部专家经验写成场景蓝图后，可快速批量生成同类任务的不同实例，用于培训或考核。
• 垂类 Agent 研发底座 ：金融量化、代码审查、合规核查等需要交叉核对多源文件的专业场景，可作为环境基础设施，支撑上层 Agent 产品的能力迭代。