南京大學聯合美團發布ScaleEnv框架：讓AI智能體自學成才

這項由南京大學人工智能學院、美團等多個研究機構聯合完成的研究發表于2026年2月，論文編號為arXiv:2602.06820v1。研究團隊開發了一個名為ScaleEnv的全新框架，這個框架就像是為AI智能體搭建了一個無限擴展的虛擬世界訓練場，讓AI能夠在其中自主學習并掌握各種復雜的工具使用技能。

想象一下，如果你要教會一個孩子使用各種工具——從簡單的剪刀、錘子，到復雜的電腦軟件、手機應用——傳統的方法是找到現成的工具讓孩子練習，但往往面臨工具種類有限、練習環境不夠安全、成本高昂等問題。ScaleEnv就像是創造了一個魔法世界，在這個世界里可以憑空生成任意數量和種類的虛擬工具，讓AI智能體在完全安全的環境中反復練習，直到熟練掌握。

傳統的AI訓練方式就像讓學生只能在固定的教室里學習固定的課程，而ScaleEnv則像是建造了一座可以無限擴展的學校，每當需要新的學科或新的實驗室時，都能立即憑空創建出來。這種方法的革命性在于，它不再依賴于現有的、有限的訓練環境，而是能夠根據需要自動生成各種復雜的、可交互的虛擬環境。

研究團隊面臨的核心挑戰就像是要建造一座既要無比真實又要絕對可靠的虛擬游樂園。這座游樂園里的每一個項目都必須能夠正常運轉，每一個道具都要經得起反復使用，而且還要能夠根據需要隨時增加新的設施。更重要的是，在這個虛擬世界中學到的技能，必須能夠在真實世界中派上用場。

一、破解環境稀缺難題：從無到有創造訓練世界

在AI智能體的訓練過程中，最大的瓶頸就像是想教會孩子游泳卻找不到足夠的游泳池。現有的訓練環境主要分為三類，每類都有致命的局限性。

第一類是真實世界的環境和工具。這就好比直接讓孩子在真正的工廠里學習操作機器——雖然真實性無可挑剔，但安全風險極高，成本昂貴，而且可用的工具和場景非常有限。更嚴重的是，如果AI在學習過程中出現錯誤操作，可能會造成真實世界的損失或危險。就像讓新手直接開真車上路一樣，既危險又不現實。

第二類是讓其他AI來模擬環境的反饋。這種方法就像是用一個機器人來扮演各種角色給學生練習對話——看起來很方便，成本也不高，但問題是這個"機器人演員"本身也會出錯，經常會給出不符合實際情況的反應。更糟糕的是，AI模擬器容易產生幻覺，就像一個不太靠譜的替身演員，演著演著就開始即興發揮，偏離了原本的劇本。

第三類是現有的一些合成環境框架。雖然這些框架能生成一些簡單的訓練場景，但就像只能搭建積木房子的玩具套裝一樣，功能有限，無法創造出復雜真實的交互環境。而且這些框架往往依賴于現有的文檔和手工制作的內容，就像廚師只能按照現有的菜譜做菜，無法根據食材的實際情況靈活調整。

ScaleEnv的突破性就在于它能夠完全從零開始，僅僅根據一個領域的簡單關鍵詞（比如"求職"），就能自動構建出一個完整的、功能齊全的虛擬訓練環境。這個過程就像是魔法師僅僅聽到"森林"這個詞，就能憑空創造出一片完整的森林，里面有各種樹木、動物、小徑，而且每一樣東西都是真實可用的。

研究團隊解決這個問題的方法非常巧妙。他們讓AI系統分兩個階段工作。第一階段叫做"域基礎建設"，就像是先設計并建造游樂園的基礎設施——確定有哪些游戲項目、每個項目怎么運作、項目之間如何連接。第二階段叫做"任務構建"，就像是在建好的游樂園里設計各種好玩的游戲和挑戰，讓AI智能體有具體的目標去練習和學習。

整個過程最關鍵的創新在于"程序化測試"機制。就像質檢員會反復測試每一個游樂設施確保安全一樣，ScaleEnv會自動測試生成的每一個虛擬工具和環境，確保它們都能正常工作，不會在關鍵時刻出現故障。這種嚴格的質量控制機制確保了AI在虛擬環境中學到的技能能夠在真實世界中可靠地發揮作用。

二、雙階段構建法：像蓋房子一樣系統化建設

ScaleEnv的工作原理就像建造一座復雜的主題公園，需要經過精心設計的兩個階段。第一階段是打地基、搭框架，第二階段是裝修、布置具體的游樂設施。

在第一階段的"可執行圖構建"中，系統就像一個經驗豐富的建筑師，僅僅根據"求職"這樣一個簡單的關鍵詞，就能設計出整個主題公園的藍圖。首先，系統會分析這個領域需要什么樣的工具。在求職領域，可能需要"搜索職位"、"提交申請"、"安排面試"、"記錄反饋"等各種工具。這就像確定主題公園里需要過山車、旋轉木馬、碰碰車等不同的游樂項目。

接下來，系統會設計支撐這些工具運行所需的"數據庫"，就像為每個游樂項目設計相應的控制室和維護設施。比如，"提交申請"這個工具需要一個存儲申請記錄的地方，"安排面試"需要一個管理時間安排的系統。系統會自動推導出需要哪些數據表，每個表里應該包含什么信息，表與表之間是什么關系。

最神奇的部分是"程序化測試"機制。就像游樂園在正式開放前會讓工程師反復測試每個項目一樣，ScaleEnv會為每個生成的工具自動編寫測試用例，然后實際運行這些測試，確保一切都能正常工作。如果發現問題，系統會自動找到bug并修復，就像有一個永不疲倦的維修工程師在不斷完善設施。

這個測試過程非常嚴格，涵蓋三種情況。第一種是正常使用情況，就像測試過山車在標準操作下能否正常運行。第二種是預期的錯誤情況，比如測試當用戶輸入錯誤信息時系統能否正確處理，就像測試游樂設施的安全保護裝置。第三種是意外故障情況，如果出現了不應該發生的錯誤，系統會自動分析問題并進行修復。

經過嚴格測試后，系統會構建一個"工具依賴圖"，就像繪制主題公園的地圖一樣，標明哪些項目之間有聯系，游客應該按照什么順序體驗不同的項目。比如，在求職領域，通常需要先"搜索職位"，然后"提交申請"，接著可能需要"安排面試"。這個依賴圖為后續的任務設計提供了邏輯基礎。

第二階段的"任務實例化"就像是在建好的主題公園里設計各種有趣的挑戰游戲。系統會從工具依賴圖中選擇一條路徑作為"種子鏈"，比如選擇"搜索職位→提交申請→安排面試"這樣一個基本流程。然后圍繞這個流程設計具體的任務情景，就像設計一個闖關游戲，每一關都有明確的目標和挑戰。

為了讓訓練更加真實有效，系統還會在環境中加入"干擾數據"，就像在尋寶游戲中放置一些假的寶藏來增加難度。這樣AI智能體就不能簡單地記住答案，而是必須學會真正的推理和判斷能力。比如在求職數據庫中，除了用戶真正應該申請的職位外，還會有很多其他職位信息，AI需要學會篩選和判斷。

整個構建過程的巧妙之處在于，它不是簡單地組裝現有的組件，而是根據領域的內在邏輯自動生成一個有機統一的訓練環境。就像大自然中的生態系統，每個部分都與其他部分相互依存，形成一個復雜但和諧的整體。

三、嚴格質檢機制：確保虛擬訓練的真實有效

ScaleEnv最令人印象深刻的特點之一就是它極其嚴格的質量控制機制，就像一個精密工廠的質檢部門，確保每一件產品都符合最高標準。

傳統的AI訓練環境常常面臨一個尷尬的問題：AI在訓練時表現很好，但一到真實場景就"掉鏈子"。這就像學生在練習冊上做題都對，但考試時卻頻頻出錯。問題的根源在于練習環境與真實環境之間存在差距，或者練習題本身就有錯誤。

ScaleEnv通過創新的"執行級驗證"機制解決了這個問題。系統不僅僅生成工具的描述和接口，更重要的是生成真正可以運行的代碼。這就像不僅僅畫出了機器的設計圖，還真的制造出了這臺機器，并且反復測試它的每一個功能。

具體來說，當系統生成一個"提交求職申請"的工具時，它不僅會定義這個工具需要什么輸入參數（比如申請人姓名、目標職位、簡歷內容等），還會編寫實際的程序代碼來實現這個功能。然后，系統會自動生成各種測試場景，就像模擬各種可能的使用情況。

測試過程就像一個細致入微的實驗室。系統會準備好測試用的數據庫，里面包含各種模擬的職位信息、申請記錄等。然后運行"提交申請"工具，檢查結果是否符合預期。如果工具應該在數據庫中創建一條新的申請記錄，系統會檢查這條記錄是否真的被創建了，內容是否正確，格式是否符合要求。

更重要的是，系統還會測試各種邊界情況和錯誤情況。比如，如果用戶試圖申請一個不存在的職位會怎樣？如果申請信息缺少必要字段會怎樣？如果同一個人重復申請同一個職位會怎樣？這些測試確保了工具在各種情況下都能給出合理的響應，就像汽車需要通過各種極端條件下的安全測試一樣。

當發現問題時，系統會啟動自動調試機制。就像有一個永不疲倦的程序員在不斷修復bug，系統會分析錯誤信息，找出問題所在，然后修改代碼重新測試。這個過程會持續進行，直到所有測試都通過為止。

除了單個工具的測試，系統還會測試工具之間的協作。比如，"搜索職位"找到的職位信息能否被"提交申請"工具正確使用？"安排面試"能否正確關聯到之前提交的申請？這種集成測試確保了整個系統的協調一致，就像交響樂團的每個樂手不僅要演奏好自己的部分，還要與其他樂手完美配合。

為了進一步提高訓練的有效性，ScaleEnv還采用了基于規則的獎勵機制，而不是依賴其他AI來判斷表現好壞。這就像用精確的儀器來測量學生的成績，而不是依賴主觀評判。系統會檢查AI智能體的操作結果是否真正改變了數據庫的狀態，改變是否符合預期的目標。

比如，如果任務是讓AI幫助用戶申請一個特定的職位，系統會檢查最終的數據庫中是否真的有了這個申請記錄，記錄中的信息是否準確完整。這種客觀的評判標準避免了主觀判斷可能帶來的偏差，確保AI學到的是真正有用的技能。

四、環境擴展策略：從簡單到復雜的成長路徑

ScaleEnv在任務設計方面采用了一種非常聰明的"滾雪球"策略，就像教孩子學習一樣，從簡單的單個技能開始，逐漸組合成復雜的綜合能力。

最初，系統會設計一個基礎的任務鏈，比如"搜索職位→提交申請→安排面試"這樣一個簡單的三步流程。這就像教孩子先學會走路，然后學會跑步，最后學會跳躍。但是，如果訓練環境過于簡單，AI可能會過度依賴這個固定模式，就像只會背誦標準答案的學生，一旦遇到變化就不知所措。

為了避免這個問題，ScaleEnv采用了"依賴感知拓撲擴展"策略。系統會圍繞基礎任務鏈，逐步加入相關的工具和功能，就像在基礎課程之外增加選修課和實踐課。但這種擴展不是隨意進行的，而是嚴格按照邏輯依賴關系來進行。

比如，如果基礎鏈中有"安排面試"這個步驟，系統可能會加入"記錄面試反饋"、"跟進面試結果"、"安排二輪面試"等相關功能。這些新功能必須能夠與現有的工具協同工作，就像新加入樂團的樂手必須能夠與現有成員和諧配合。

系統使用一個智能的"門控策略"來決定是否繼續擴展環境。這就像一個經驗豐富的教練，會根據學生的學習進度和能力來決定是否增加新的訓練項目。門控策略考慮三個關鍵指標：結構復雜性、可行性評分和可用工具數量。

結構復雜性就像評估當前訓練環境的豐富程度。如果環境中的工具和功能已經足夠復雜，能夠支持各種不同的學習任務，可能就不需要再添加更多內容。這避免了"功能過載"的問題，就像不會給初學者安排過于復雜的課程。

可行性評分則像一個現實檢查器。系統會使用一個強大的"預言機"（實際上是一個高性能的AI模型）來評估在當前環境中設計新任務的可能性。如果發現很難在現有環境中創造出有意義的新挑戰，系統就會考慮擴展環境。

可用工具數量提供了一個基礎保障。系統確保訓練環境中至少有20個不同的工具，這樣AI智能體就有足夠的選擇空間來學習和探索。就像確保游樂園里有足夠多的項目，讓游客有豐富的體驗選擇。

當系統決定擴展環境時，它會嘗試生成新的工具鏈，然后將這些新鏈條整合到現有環境中。這個過程就像在已有的城市基礎設施上建設新的區域，新區域必須與舊區域有良好的連接，整體規劃要協調統一。

為了確保擴展的質量，系統對每個新增的工具都會進行同樣嚴格的測試，并驗證它與現有工具的兼容性。這就像新建的道路必須與現有的交通網絡無縫銜接，不能造成交通混亂。

整個擴展過程的巧妙之處在于它保持了環境的一致性和完整性。不是簡單地堆砌功能，而是創造了一個有機的、逐漸復雜化的學習生態系統。AI智能體可以從簡單任務開始，隨著能力的提升逐漸挑戰更復雜的綜合性任務，就像從小學一年級逐步升到大學的學習過程。

五、實戰驗證：從訓練場到真實世界的完美跨越

研究團隊在ScaleEnv上訓練的AI智能體在真實世界測試中的表現，就像一個在駕校學車的學生第一次上路就能熟練駕駛一樣令人驚喜。

團隊使用了兩個完全獨立的測試基準來驗證訓練效果：τ?-Bench和VitaBench。這就像讓學生參加兩種完全不同的考試——一種測試規則遵循能力，一種測試靈活應變能力。關鍵是，這些測試涉及的領域（航空、零售、電信、外賣、酒店等）與訓練時使用的16個領域（求職、婚慶策劃、郵件管理等）完全不同，確保了測試的公正性。

更有意思的是，測試的形式也與訓練時截然不同。訓練時AI直接與工具交互，而測試時需要嚴格按照復雜的文本政策進行對話。這就像一個習慣了在開放環境中自由駕駛的司機，突然需要在嚴格的交通規則下駕駛一樣具有挑戰性。

測試結果令人振奮。以Qwen3-32B模型為例，在經過ScaleEnv訓練后，它在τ?-Bench的零售領域測試中成功率從59.5%提升到了63.6%，在VitaBench的外賣領域測試中從27.0%躍升到31.3%，在店內服務測試中更是從22.5%大幅提升到34.5%。這些提升看似不大，但考慮到這是完全跨領域的零樣本測試，就像一個只學過中文的人突然能夠理解英文一樣不可思議。

更令人印象深刻的是"Pass@4"測試結果，這個測試衡量的是AI在四次嘗試中至少成功一次的概率，可以看作是AI的潛力上限。在最具挑戰性的跨領域任務中，經過ScaleEnv訓練的AI成功概率幾乎翻了一番，從15%提升到29%。這表明訓練不僅提升了AI的平均表現，更重要的是大幅增強了它解決復雜問題的能力上限。

為了進一步驗證方法的有效性，研究團隊進行了詳細的"環境規模分析"。他們訓練了使用不同數量領域（2個、4個、8個、16個）的AI模型，發現隨著訓練環境多樣性的增加，AI的泛化能力呈現穩定的上升趨勢。這就像學習多種運動的孩子在學習新運動時會更有優勢一樣，接觸過更多樣化環境的AI在面對新挑戰時表現更好。

有趣的是，即使訓練域數量達到16個，性能提升曲線仍未出現平臺期，這暗示著繼續增加環境多樣性仍有提升空間。這就像發現了一座還沒有被完全開發的金礦，還有很大的挖掘潛力。

研究團隊還進行了一系列對比實驗來驗證設計選擇的正確性。他們發現，去掉"執行性驗證"機制后，AI的表現會明顯下降。這證明了嚴格的質量控制機制確實是必要的，就像沒有質檢的產品往往問題百出一樣。

在獎勵機制的對比中，ScaleEnv采用的基于規則的評估方法明顯優于讓其他AI來判斷的方法。這就像用標準化考試比主觀評分更可靠一樣，客觀的評估標準能夠提供更準確的反饋，幫助AI學到真正有用的技能。

為了驗證方法的穩定性，團隊還測試了使用不同領域組合的訓練效果。結果顯示，無論使用哪4個領域進行訓練，AI的改善效果都是一致的，這證明了ScaleEnv的方法具有良好的魯棒性，不是依賴某個特定領域的偶然效果。

這些實驗結果的意義遠不止于數字的提升。它們證明了一個重要觀點：通過在高質量的合成環境中進行多樣化訓練，AI確實可以學到可以遷移到真實世界的通用能力。這就像證明了在模擬器中學習確實可以培養出在現實中有用的技能，為AI訓練開辟了一條全新的道路。

說到底，ScaleEnv的成功驗證了一個樸素但深刻的道理：要想培養真正有能力的AI，關鍵不在于讓它記住更多的答案，而在于為它創造更豐富、更真實的學習環境。就像要培養優秀的醫生，最好的方法不是讓他們死記硬背醫學教科書，而是讓他們在各種不同的臨床環境中積累實踐經驗。ScaleEnv為AI智能體提供了這樣一個無限豐富的"臨床實習"環境，讓它們能夠在安全的虛擬世界中獲得在真實世界中有用的能力。

研究團隊的這項工作不僅解決了AI訓練環境稀缺的問題，更重要的是驗證了"環境多樣性驅動泛化能力"這一核心假設。通過大量嚴格的實驗，他們證明了投資于構建高質量、多樣化的訓練環境，比簡單地增加訓練數據量更能有效提升AI的實際應用能力。這為未來的AI研發指明了一個新方向：與其在現有環境中反復訓練，不如投入更多精力去創造更好的訓練環境。

Q&A

Q1：ScaleEnv框架是什么？

A：ScaleEnv是由南京大學和美團等機構開發的AI智能體訓練框架，它能夠完全從零開始，僅憑一個領域關鍵詞就自動構建出完整的虛擬訓練環境，讓AI在其中學習使用各種工具的技能。

Q2：ScaleEnv和傳統AI訓練方法有什么區別？

A：傳統方法需要依賴現有的、有限的訓練環境，而ScaleEnv能夠無限擴展地生成新的訓練場景。更重要的是，它通過程序化測試確保虛擬環境的每個功能都能真正運行，避免了AI學到虛假或無用的技能。

Q3：在ScaleEnv上訓練的AI效果怎么樣？

A：在完全不同領域的測試中，ScaleEnv訓練的AI表現顯著提升。比如在店內服務測試中成功率從22.5%提升到34.5%，在最具挑戰性的跨領域任務中，四次嘗試的成功概率從15%翻倍到29%，證明了訓練效果的真實有效性。