采集
采集真实工作流中成功与失败的任务执行轨迹，包括工具调用、操作决策、修正记录与结果
/ 02.1关键能力层
通用模型理解语言
真实任务轨迹教会模型如何完成工作
轨迹数据记录一项任务如何推进：接收的上下文、采取的处理步骤、调用的工具、中间结果、人工修正与最终结果
我们将这些运营证据转化为可治理的持续改进闭环，而非一次性的微调实验
/ 02.2代表性客户
代表性客户
Ant Group
阿里巴巴生态 · 金融科技
模型后训练数据
让模型学会专家工作如何推进，而不只是模仿最终答案
我们为模型后训练提供了智能体任务轨迹训练数据，包括任务上下文、可观测的任务处理步骤、工具交互、执行反馈、修正与结果的结构化记录
01观察
02分析步骤
03执行
04工具结果
05修正
06完成
/ 02.3从工作流轨迹到生产级模型
治理
去除噪声、保护敏感数据、统一格式并评估质量，将轨迹转化为可用于训练的样本
训练
应用监督微调、偏好优化、蒸馏，或在适用场景下采用有针对性的强化学习
评估
基于固定基线衡量任务完成度、规则遵循、工具使用、领域准确性、安全性、延迟与成本
部署
发布受控的模型版本，监测生产环境表现，并将经验证的结果反馈至下一轮迭代
/ 02.4让轨迹数据清晰可用
记录完整路径
训练目标行为
智能体轨迹数据保留从请求到经验证结果之间的完整过程，使任务规划、工具使用、异常恢复与任务完成均可转化为后训练信号
轨迹 / 00482已验证成功
1用户任务
2过程记录
3工具调用
4结果观察
5恢复处理
6最终结果
结构多轮交互
监督信号步骤 + 结果
质量门禁可执行
SWE-agent 轨迹数据
仓库级问题解决轨迹展示智能体如何检查文件、编辑代码、运行测试、读取失败信息，并持续迭代形成可用补丁SWE-agent 与 SWE-Gym 说明了智能体—计算机交互界面和可执行反馈的重要性
SWE-agent 研究Hermes 风格智能体分析与工具调用轨迹
结构化对话将可观测的任务分析、函数选择、类型化参数、工具响应与答案整合记录在同一流程中该模式支持函数调用、多步骤工具使用，以及在操作返回证据不完整时进行恢复处理
Hermes 函数调用/ 02.5完整的后训练服务
数据、训练、评估与部署： 一套全程负责的交付体系
我们选择足以实现目标结果的最轻量干预方案，在控制风险与成本的同时保留模型灵活性
轨迹数据工程
流程埋点、数据模式设计、轨迹采集、隐私过滤、质量评分与数据集版本管理
模型适配
监督微调（SFT）、偏好优化、LoRA、蒸馏、工具使用调优与领域适配
评估体系
金标准任务、回归评测套件、人工审核、安全检查、红队评测与成本—质量分析
生产治理
模型注册、发布门禁、回滚、监测、审计追踪与持续改进
/ 02.6领域后训练
通用智能，
为受监管业务定向适配
我们将领域数据、专家审核、任务轨迹、制度约束与评估套件整合为一套受控的模型适配方案
医疗健康
覆盖临床术语、医疗文档工作流、基于证据的检索、结构化提取与安全导向评估，并通过专家审核明确模型的权限边界
术语体系工作流安全评测
金融服务
面向高要求金融环境，支持研究、文档分析、运营工作流、制度遵循、工具使用与可审计评估
制度规范工具使用可审计性
数据采集
我们设计采集协议，为智能体工作流配置过程记录，获取获准使用的领域材料，协调专家标注，采集人工修正，并构建经过隐私过滤和版本管理的数据集
采集标注治理
领域数据源专家信号训练数据SFT + 对齐领域评测
/ 02.7从一个可衡量的工作流开始
证据 能力
让模型理解
何为成功
从范围明确的工作流切入，采集高质量轨迹，建立生产评估基线，并在扩大项目范围之前验证改进成效
规划后训练项目