Data for Agents
NVIDIA argues that agentic AI needs open data — software engineering traces, tool-use failures, multi-step reasoning, retrieval, safety and user simulation — and that synthetic data is how it scales, backed by the Nemotron open dataset family.
Marked as a signal by the editors; worth tracking.
On this page12 sections
The full write-up and the editors' notes are in Chinese; the summary above is from the original announcement.
Record
The signal
#NVIDIA 的核心论点是：智能体能力本质上是一个数据问题。一个无法从失败的 API 调用或没见过的工作流中恢复的「智能体」，只是带工具的自动补全。要跨过这道坎，需要软件工程轨迹、工具调用失败、多步推理、检索、安全、用户模拟等类型的数据——这正是 Nemotron 开放数据产品覆盖的范围。
合成数据在其中扮演规模化引擎的角色：Nemotron-CC 用合成增强 Common Crawl 预训练语料，Nemotron-CC-MATH 用合成数学题提升推理能力，Nemotron Pretraining 则覆盖通用、代码、数学等数万亿 token。NVIDIA 援引 ICML 上约 145 篇引用 Nemotron 模型与数据集的论文来说明开放数据对研究生态的带动。
文中还有一个对企业实用的角度：每家公司都有自己的「秘密」（独有的工作流、语料、客户模式），这些信号让 AI 有用，但不应该被直接暴露。合成数据提供了保留信号、隐藏底料的路径。更进一步，开放数据让智能体行为变得可检查、可解释——当模型会调用工具、执行工作流、跨系统行动时，开发者需要理解塑造这些行为的数据。对正在构建智能体的团队来说，这是一份值得对照自查的数据清单。
Why now
Why it matters
#它把「智能体做不好」重新定义为数据问题而不是模型问题，并给出了可操作的数据类型清单与合成数据方法。对智能体团队来说，这比又一个新框架更接近瓶颈本质。
Background
Technical context
#智能体训练数据的关键类型：工具调用轨迹（含失败恢复）、多步推理链、检索行为、安全边界、用户模拟。合成数据管线在保留这些行为信号的同时避免暴露源数据，Nemotron 系列是当前最大的开放实现之一。
Audience
Who should care
#Next
Learning path
#- 对照文中的数据类型清单，盘点自己的智能体缺哪类训练/评估数据
- 浏览 Nemotron 开放数据集，理解合成数据的构造方式
- 为一个真实工作流构造小规模合成轨迹数据并验证效果
Network
Where it sits in the network
#How this signal connects to neighbouring technologies, skills and background knowledge. Follow any link to keep exploring.
Further thought
Follow-up questions
#- 你的智能体最常见的失败模式，有对应的训练数据吗？
- 合成数据在多大程度上能替代真实用户轨迹？
- 如何验证合成数据没有泄漏源数据中的敏感信息？
Publication record
Featured in
#The briefings that carried this signal, newest first; the last row is the weekly review of its week. The tag is the section it ran in.
技术简报 - 2026-07-13
Worth trackingWeekly review · Jul 6 – Jul 12
Worth tracking
Sources