ToolSpace: Scaling Tool-Centric Environment Synthesis for Long-Horizon Agents

📄 arXiv: 2611.05036v1 📥 PDF

作者: Guanting Dong, Zhichao Sun, Xinyu Yang, Rui Wang, Xin Deng, Jiajie Jin, Zhixiong Yang, Junhao Huang, Han Han, Mingyu Ma, Xiaotao Wang, Yuyang Hu, Xiaoshuai Song, Xiaoxi Li, Jiejun Tan, Zhecan Wang, Shihan Dou, Honglin Guo, Zhiheng Xi, Tao Gui, Tao Ji, Qi Zhang, Yutao Zhu, Ji-Rong Wen, Zhicheng Dou

分类: cs.CL

发布日期: 2026-11-03

备注: Working in progress

💡 一句话要点

提出ToolSpace以解决工具中心环境合成的挑战

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 工具中心 环境合成 长时间跨度智能体 执行轨迹 数据挖掘 性能提升 智能代理

📋 核心要点

  1. 现有的MCP环境扩展方法过于依赖数据，导致工具接口与实际不符，任务难以跨环境执行。
  2. ToolSpace通过从真实执行轨迹中提取数据和状态依赖，构建工具组合图，反转了传统的环境合成流程。
  3. 在多个基准测试中，ToolSpace显著提升了模型性能，Qwen3.6-35B-A3B的平均分从23.0提升至41.0，GLM-5.2从44.6提升至56.6。

📝 摘要（中文）

大语言模型被部署为长时间跨度的智能体，能够将多样化的工具组合成可执行的工作流。现有的环境扩展方法以数据为中心，首先合成数据库和场景，然后从中推导工具和任务，导致工具接口与真实情况不匹配，工具组合未能基于执行进行验证，且任务通常局限于单一环境。本文提出ToolSpace，一个工具中心框架，反转了这一顺序，通过从真实MCP服务的执行轨迹中挖掘数据、状态和重试依赖，使用确定性规则而非LLM判断，构建加权工具组合图并聚类成环境。ToolSpace在AutomationBench和tau3-Bench Banking上应用，显著提升了模型性能。

🔬 方法详解

问题定义：本文旨在解决现有MCP环境扩展方法中工具接口与真实情况不匹配、工具组合缺乏执行基础以及任务局限于单一环境的问题。

核心思路：ToolSpace的核心思路是从真实的执行轨迹中提取数据和状态依赖，使用确定性规则构建工具组合图，从而实现更为真实和有效的环境合成。

技术框架：ToolSpace的整体架构包括数据挖掘、工具组合图构建、环境聚类和状态感知随机游走等模块。首先从执行轨迹中提取信息，然后聚类形成环境，最后生成自然语言任务。

关键创新：ToolSpace的主要创新在于其工具中心的设计思路，反转了传统的数据中心方法，强调从实际执行中获取信息，确保工具组合的有效性和真实感。

关键设计：在设计中，ToolSpace采用了状态感知的随机游走策略，并通过回滚机制确保任务的成功重放，保留从初始状态成功重放的样本。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在实验中，ToolSpace在AutomationBench和tau3-Bench Banking上显著提升了模型性能，Qwen3.6-35B-A3B的平均分从23.0提升至41.0，GLM-5.2的分数从44.6提升至56.6，显示出工具中心方法的有效性和优势。

🎯 应用场景

ToolSpace的研究成果在多个领域具有广泛的应用潜力，尤其是在自动化流程、智能代理和复杂任务执行等场景中。其工具中心的环境合成方法能够提高智能体在真实世界中的适应性和执行效率，推动智能系统的发展。

📄 摘要（原文）

Large language models are deployed as long-horizon agents that compose diverse tools across MCP services into executable workflows. Existing MCP environment-scaling methods are data-centric: they first synthesize a database and scenario, then derive tools and tasks from them. As a result, tool interfaces may not match real ones, tool compositions are not grounded in execution, and tasks rarely span more than one environment. We propose ToolSpace, a tool-centric framework that reverses this order. ToolSpace mines data, state, and retry dependencies from adjacent calls in execution traces of real MCP services and open agent corpora, using deterministic rules rather than LLM judgment, and clusters the resulting weighted tool-composition graph into environments. Databases are synthesized only for state-mutating environments, while query and stateless tools replay recorded returns. ToolSpace then performs state-aware random walks with rollback and decompiles each chain into a natural-language task with assertion-based checks, keeping only samples that replay successfully from the initial state. Applied to AutomationBench and tau3-Bench Banking, the pipeline produces harder Pro versions on which 7 frontier models drop by up to 38.2 points. Across seven long-horizon tool-use benchmarks, ToolSpace raises Qwen3.6-35B-A3B from 23.0 to 41.0 average score (43.2 with RL) and GLM-5.2 from 44.6 to 56.6, on par with Claude Opus 5. Ablations show that execution-witnessed edges clearly outperform LLM-judged ones, and performance keeps improving with data and environment scale.