WebShaper

WebShaper – 阿里通义推出的AI训练数据合成系统

WebShaper 是阿里巴巴通义实验室研发的创新 AI 训练数据合成系统，其核心在于通过形式化建模和智能体扩展机制，为 AI 智能体提供高质量、可扩展的训练数据。它首次引入基于集合论的“知识投影”（Knowledge Projection， KP）概念，通过交集、并集和递归操作，构建复杂问题结构，精准控制推理路径和任务复杂度。

WebShaper 产品介绍

WebShaper 是一个由阿里巴巴通义实验室倾力打造的 AI 训练数据合成系统。它利用前沿技术，致力于为 AI 智能体（Agent）的训练提供优质且可扩展的数据资源。通过巧妙的形式化建模和独特的智能体扩展机制，WebShaper 能够帮助 AI 智能体在复杂的推理任务中表现出色。

主要功能

• 形式化建模与知识投影：WebShaper 采用基于集合论的方法，对信息搜寻（IS）任务进行形式化建模。核心在于“知识投影”（Knowledge Projection， KP）概念，它将复杂的信息搜寻任务分解为集合操作（如交集、并集、递归）。通过这些操作，系统可以构造出复杂的问题结构，从而精确控制推理路径和任务难度。
• 智能体扩展机制：WebShaper 独具特色的在于其“自出题”能力。系统通过 Expander 智能体，从简单的“种子问题”出发，逐步扩展为复杂的推理任务。Expander 智能体利用搜索、摘要、验证等工具，构建逻辑清晰、难度递增的问题，并验证答案的正确性，从而确保推理链条的清晰性和任务结构的可控性。
• 高质量数据生成：WebShaper 生成的训练数据不再依赖于猜测，而是可控、可解释且可扩展的高质量任务。它突破了预检索数据的局限，实现了更广泛的任务类型、更强大的能力激发和更全面的知识覆盖，从而减少了数据合成中的错误和冗余信息。
• Agent 训练策略：WebShaper 采用了监督微调（SFT）与 GRPO 强化学习相结合的训练策略，帮助 AI 智能体在模糊、多跳信息中逐步掌握推理与检索能力。训练从高质量的训练轨迹开始，通过奖励机制引导模型进行多步推理，避免“走捷径”或“猜答案”。

产品官网

由于产品仍在持续研发中，目前暂无的产品官网。您可以关注以下资源，获取最新信息：

• Github 仓库：https://github.com/Alibaba-NLP/WebAgent
• HuggingFace 模型库：https://huggingface.co/datasets/Alibaba-NLP/WebShaper
• arXiv 技术论文：https://arxiv.org/pdf/2507.15061

应用场景

• 学术研究：协助研究人员快速收集、整理相关文献，进行跨学科的知识发现。
• 市场分析：应用于市场调研、竞争分析和投资决策支持。帮助企业分析师自动收集行业数据、分析市场趋势、评估竞争对手的策略。
• 智能学习：成为智能学习助手，辅助学生进行深度学习和研究性学习。
• 生活助手：在出行规划、健康查询、生活决策等场景下，即开即用，为用户提供个性化的信息支持。
• 医疗健康：帮助用户查询医疗健康信息，提供专业的医疗建议和健康咨询。

常见问题

Q: WebShaper 与其他数据合成工具有什么区别？

A: WebShaper 采用基于集合论的形式化建模方法，通过智能体扩展机制生成高质量、可控的训练数据。这种方法能够更精确地控制推理路径和任务复杂度，从而生成更复杂、更贴近实际应用场景的数据。

Q: WebShaper 的未来发展方向是什么？

A: WebShaper 将继续探索更先进的智能体扩展机制和训练策略，以支持更复杂的 AI 智能体训练。同时，它将积极拓展应用场景，为各个领域提供更强大的数据支持。