从“能回答”到“能执行”：文德数慧构建真实 APP 场景下的Agent RL 环境

Agent 正从问答、信息检索进入真实业务流程。当 Agent 开始操作 APP、调用工具、完成任务，评价标准也随之变化。一次任务是否完成，只是最基本的一层。它是否理解任务、路径是否合理、执行是否稳定、问题能否复现，同样需要被验证。

基于长期积累的多模态数据生产、数据标注与验证能力，以及在 AI Agent 场景中的实践，文德数慧正在建设面向真实 APP 场景的 RL（强化学习）环境，把任务、环境、数据、执行和评估连接起来，为 Agent 的训练、测试和持续优化提供更接近真实业务的作业底座。

传统数据生产更多解决的是“数据是什么”“答案是什么”。

但 Agent 面对真实 APP 时，问题变了。

一个任务可能从一句自然语言指令开始，经过页面理解、信息判断、路径规划、连续操作，最后还需要确认任务是否真正完成。

这里产生的数据，也不再只是一个静态标签。

它可能包括任务目标、页面状态、操作轨迹、执行结果、异常过程以及最终反馈。对于 Agent 来说，这些信息共同构成了对“如何完成任务”的描述。

我们长期积累的多模态数据生产能力，为这类工作提供了基础。过去在图像、文本、音视频等数据上的生产、标注和质量验证经验，可以继续向 Agent 任务数据延伸。同时，Agent 训练与评估还需要进一步回答：任务怎么执行、过程是否合理、结果怎么验证、反馈如何形成。

而我们的RL 环境建设，正是在补上这一层。

我们长期服务的 AI 场景，本身就涉及大量非结构化、多模态数据。

图像、文本、音频、视频，以及更复杂的场景数据，需要经过采集、清洗、标注、验证和质量控制，才能真正进入模型训练和应用环节。

Agent 的训练同样离不开数据。但它需要的数据维度更丰富。

除了“看到了什么”，还要知道“应该做什么”；除了“结果是什么”，还要知道“中间发生了什么”；除了“这次是否成功”，还要能够进一步分析“为什么成功”或者“为什么失败”。

这也是我们现有能力向 Agent 场景延伸的基础。

在已有多模态数据能力之上，进一步增加任务设计、环境构建、执行轨迹、结果验证和奖励反馈，数据的作用从单纯支撑模型理解，逐步延伸到支撑 Agent 的行为训练与能力评估。

这不是简单增加一个产品模块。它对应的是数据服务能力的一次变化：从生产训练数据，进一步走向生产可执行、可验证、可反馈的 Agent 任务数据。

围绕真实 APP 场景，我们目前已经建设全链路作业平台，覆盖环境生成、数据生产验证、Pass 测试等关键环节。

任务进入平台后，首先需要解决“能不能稳定运行”。之后还要解决“执行结果能不能判断”。

因此，平台并不只是提供一个运行环境。

从任务设计、环境准备，到执行记录、结果验证，再到日志回看和问题复盘，各环节需要形成相对完整的作业链路。

在实际测试中，我们的团队也在持续沉淀 Agent 问题定位方法，用于分析其在理解、规划和执行不同阶段出现的问题。

这里的核心变化是：交付的不只是“跑过一次的任务”，而是经过生产和验证流程、具备可执行、可观察、可评估条件的任务和数据。

目前，这套方法也已经形成了可复用的作业基础。

Agent 需要的不只是训练数据，还需要一个能够持续运行、持续反馈、持续验证的环境。

任务在这里被执行，结果在这里被验证，问题被记录下来，新的策略再回来测试。

从数据生产走向任务生产，从结果标注走向过程验证，从一次性交付走向持续反馈。

我们正通过建设RL 环境，为Agent构建起一个能够持续运行、持续验证、持续优化的进化基座，让 Agent 从“能回答”，逐步走向“能执行、能验证、能优化”。