理论上（浅显）分析Agent与传统llm、RAG的不同以及演进历程，根据Agent的目标解读AgentFounder论文的训练策略和数据集构建
Agent的目标以及对应的技术方案
Agent的推理目标
形式化的表达:
咱们首先来分析一下最开始大模型的功能，即仅根据\(\pi\)的内部知识和问题\(q\)采样出答案\(o\)
然而，模型\(\pi\)原有的内部知识可能不足以支撑回答\(q\)问题（没有训练过相关领域的数据），那么就需要引入外部知识\(R\)，也就是常见的RAG架构。RA 先根据\(q\)调用外部tool（向量数据库）得到一定的response（\(R\)），再一同输入到\(\pi\)中进行答案的生成。有效地缓解\(\pi\)在问题\(q\)上自身知识不足的问题，人为地注入了外部知识\(R\)；
此方法有效建立在 \(\pi\)是否在\(R\)上有泛化性，即\(\pi\)是否会使用外部知识\(R\)。
那好，新的问题又出现了，即使\(\pi\)会使用\(R\)，但是\(R\)是否真正能够帮助\(\pi\)解决\(q\)也是一个问题，
这个\(R\)仅依赖于问题\(q\)和事先设定好的工具\(f(\cdot)\)，也就是说在生成\(R\)时，并没有考虑到是否能帮助到后续的模型\(\pi\)
因此应该在生成\(R\)时，也要依赖于\(\pi\)。
因此，可以发现的是，\(\pi\)不仅仅要生成答案\(o\)，还需要学会工具调用来获取\(R\)以更好的执行后面的任务流程。
所以Agent的目标（需要的推理能力）分为三类
-
利用模型内部知识根据q生成第一步的planning。
- \(tool\_type, tool\_args \sim \pi(\cdot|q)\)
- 学会如何仅根据q构建完整的planning
-
利用模型内部知识+外部知识（R） 根据q生成下一步的工具调用/答案 的能力 （step-wise）
- \(o\ |\ tool\_type, tool\_args \sim \pi(\cdot|q, R)\)
- 学会 single-step下，如何根据需要的信息 选取工具
-
学会连续调用工具，理解工具间的调用关系，（traj-wise）
- \(o\sim \pi(\cdot|q, R_1, R_2, ...)\)
- 学会在整体的traj维度下，协调多个工具之间的使用关系
对应来说：
-
局部
-
初始化
-
step-wise的单个工具point-wise的使用
-
-
整体
- traj-wise的工具之间的协调调度
Agent的训练方案
训练目标需要和推理模型对齐。而训练目标体现在（1）数据集的构建方案（2）训练策略（loss）
那么Agent训练方案的是数据集构建+模型训练方式两个难点
- 数据构建
- 以上三类能力对应的数据集的构建
- 输入输出的pair对，参考公式即可
- 数据需要可扩展/高质量（因此优先在Web Brower 领域进行研究）
- 训练策略
- 使用sft教会模型前两种能力（planning生成、学会根据需要的信息选取工具）
- 使用rl教会模型最后一种能力（工具间的协调调用，因为此任务比较难学习，需要大量的探索以及较高的泛化性要求）
相较于传统的single-step的数据及其sft RL的训练方式
Agent的关键区别是给予了llm自主获取外界知识、与外界交互的能力。
因此，Agent的数据和训练目标 均服务于 如何使Agent学会更好的使用工具与外界交互，从而利用外界的信息更好地完成任务
思路借鉴：AgentFounder：https://www.arxiv.org/abs/2509.13310