数据合成 - 标签 - lilfry's libraryhttps://lilfry09.github.io/tags/%E6%95%B0%E6%8D%AE%E5%90%88%E6%88%90/数据合成 - 标签 - lilfry's libraryHugo -- gohugo.iozh-CNlilfry@sjtu.edu.cn (lilfry)lilfry@sjtu.edu.cn (lilfry)All rights reserved.Thu, 06 Aug 2026 20:00:00 +0800FullStack-Agent：全栈 Coding Agent 的训练与评测数据是如何构造的https://lilfry09.github.io/ai/fullstack-agent-data-construction/Thu, 06 Aug 2026 20:00:00 +0800fryhttps://lilfry09.github.io/ai/fullstack-agent-data-construction/很多“网页生成 Agent”看起来已经能做出漂亮页面：按钮能点，表单能提交，页面还能弹出“保存成功”。但如果继续追问两步，问题就会暴露出来：数据真的写进数据库了吗？刷新页面之后还能读回来吗？后端 API 是否真的存在？

FullStack-Agent 这篇论文的核心贡献，正是把网站生成从“看起来像全栈”推进到“前端、后端和数据库都能被验证”。不过，论文里更值得仔细看的其实不只是 Agent 框架，而是它的数据构造方法：它如何把真实网站代码库转换成 Coding Agent 的训练轨迹，又如何构造能够识别假后端的评测数据？

本文只讨论这两个问题。论文原文是 FullStack-Agent: Enhancing Agentic Full-Stack Web Coding via Development-Oriented Testing and Repository Back-Translation，代码仓库见 GitHub。

]]>coding agent数据合成-qwen调研https://lilfry09.github.io/ai/coding-agent-data-synthesis-qwen-research/Sun, 19 Apr 2026 20:05:00 +0800fryhttps://lilfry09.github.io/ai/coding-agent-data-synthesis-qwen-research/这篇调研聚焦 coding agent 训练里最关键的一环：高质量、可验证、可复现的数据合成。如果把近两年的主线压缩成一句话，那就是：行业正在从“纯合成题”转向“以真实软件工程活动为种子，再做自动化增强”的 SWE-bench 式范式。

对于 Qwen 这一类希望持续提升复杂编码能力的模型，这条路径的意义尤其直接：它不仅决定模型能否在 benchmark 上刷出更高分，更决定模型是否真正具备在真实仓库里定位问题、搭环境、写补丁和通过测试的能力。

]]>