探索模型专业化的自主代理数据工程

大语言模型 (LLM) 在一般任务上表现出了强大的性能，但在没有高质量的特定领域数据的情况下常常难以适应专门领域。现有的基于LLM的数据管理方法主要依赖于人为设计的工作流程，而没有检验LLM是否可以自主执行端到端的数据工程管道以实现模型专业化。我们将自主代理数据工程正式化，这是一项新颖的任务，旨在评估 LLM 作为自主数据工程师，通过端到端数据管理推动模型专业化。我们将数据构建为可优化的组件，并研究在 后训练 性能改进的指导下跨多个领域规划、生成和迭代优化训练数据的代理。实验表明，自主的 LLM 数据工程师获得了巨大的收益，因为 GPT-5.2 构建了一个训练课程，完全通过迭代、代理驱动的数据适应，将学生模型改进了 57.29%。通过阐明潜力和瓶颈，我们的研究将自主数据工程确立为一种可衡量的能力，并绘制了一条通往代理驱动模型专业化的道路（代码将在 https://github.com/zjunlp/DataAgent 发布）。