南洋理工Trace2Env：不重建系统，用历史记录造AI训练环境

设想你要教一个AI助手操作某家公司的内部系统，比如报销审批平台。这套系统并不对外开放，没法天天拿真实环境做测试，更谈不上让AI在里面反复试错。手上唯一能用的，是一批历史操作记录：谁点了哪个按钮、系统弹了什么提示、谁的操作失败、失败的原因又是什么。

这些记录能不能拼出一个“假的但管用”的系统，供AI练手？

新加坡南洋理工大学团队在论文里处理的正是这个问题，他们给这套思路取名Trace2Env，即“轨迹到环境”：不靠训练，只凭历史交互记录就能搭起模拟环境的框架。

听着不难，但里面藏着一个一般人想不到的坑。

当“复刻系统”行不通的时候

以往碰到这类问题，研究者的第一反应往往是硬着头皮把系统重建出来。前面提到的Terminal-Universe项目走的就是这条路：把智能体留下的操作轨迹“逆向工程”成一个真能跑的终端工作空间。听起来很酷，问题也摆在那儿——底层依赖、接口协议，甚至一些没写进轨迹的隐藏逻辑，你都得知道。这就像凭朋友朋友圈里晒的几张照片，还原他家整套水电管线布局：大概样子能摸出来，真要照着施工，八成要出事。

Trace2Env团队换了个思路：系统本身不去重建，改由一个语言模型去“扮演”它。这个扮演者有个专门的名字，叫语言世界模型（Language World Model，简称LWM），指的是用语言模型预测“智能体做了某个动作后，环境会返回什么反馈”的技术，本质上是把环境的行为模式用自然语言学出来。

这个思路本身不新鲜，之前已有团队在做。Trace2Env的关键创新在于，它不满足于让一个模型“看一眼提示词就猜答案”，而是让扮演环境的模型变成真正的智能体：主动翻资料、查记忆、做推理，然后才给出反馈。

这就引出论文标题里最核心的那句话：能不能让一个智能体充当另一个智能体的环境？

问题到底难在哪里

你也许觉得，让AI模仿环境反馈，不就是个“看图说话”的任务？把历史记录给它看看，照着学一下格式不就行了？事情没这么简单。

论文里举了个特别扎心的例子：假如智能体执行了删除文件的操作，比如 `rm report.txt`。这个操作在终端里几乎不会有任何输出——敲完命令，啥反应都没有，直接跳到下一行提示符。

问题来了。三轮对话之后，如果智能体又输入 `cat report.txt` 想读这个文件，真实环境此时必须报错：“文件不存在”。“文件已经被删了”这个事实，在删除那一刻几乎没有任何信号透露出来，但它必须被悄悄记住，然后在后面某个时间点“兑现”。

这就是论文反复强调的长程状态一致性（Long-horizon state continuity）：模拟环境必须记住早期动作造成的隐性后果，哪怕这个后果当时没有在观测里直接体现出来，也要在未来的某个时刻准确地“兑现”它。

要是你把所有历史对话一股脑塞进提示词，指望模型自己从几千字的文字堆里反应过来“这个文件三轮前被删了”，那就很危险。模型很可能读着读着就把这个细节漏掉了，然后在你问 `cat report.txt` 的时候，一本正经地编出一段文件内容。

真正最危险的失败，是那种“胡说得一本正经、后续对话还照样顺畅”的情况。表面上没报错，实际上整段交互已经跑偏了。

打个比方：你问记性不太好的同事，上周三说的那份报告删了没。他老实回答“不记得，我查一下”，问题不大。可他要是为了显得可靠，随口来一句“删了删了，没事”，你后面真按“报告不存在”去安排事情，等哪天发现报告还躺在服务器上，整个流程就乱了套。“假装记得”比“老实说不记得”危险得多。

传统做法常在这里翻车：把环境知识和交互历史全塞进一个固定提示词里，指望模型读一遍就能抓住所有该记的细节。

### 把“环境的说明书”拆成三层知识

Trace2Env的思路，是先把大量历史轨迹“蒸馏”成一本结构化的参考书。论文给它起的名字是

**世界书**

*Worldbook：环境知识库，在离线构建阶段从历史轨迹里提炼而成，由三部分组成：动作接口的定义、具体的观测证据，以及从这些证据里归纳出的行为规则*

它更像一本“行为说明书”，而不是能直接跑的代码。全书分三个层次。

第一层叫

**模式**

*Schema：它规定这套环境能接受哪些动作、每个动作要带什么参数，也规定环境内部可以追踪哪些状态变量，等于把整个系统的骨架画了出来*

拿终端环境来说，模式会规定“文件系统”这个状态字段存在、类型是什么、谁有权改它；也会列出 `cat`、`ls`、`pip install` 各自要什么参数。这一层先把游乐场的地图摊开，告诉AI里面有哪些“积木”可用。

第二层叫

**接地证据**

*Grounded evidence：从历史轨迹中直接留存下来的具体操作记录，涵盖动作、真实的观测结果，以及从中提取的候选状态变化；这些证据的原始观测文本会逐字保留*

原始观测为什么必须逐字留？规则和总结难免丢信息。论文里有个典型例子：智能体执行了一条用heredoc写长脚本的命令（heredoc是让终端连续输入多行文本的技巧），真实终端会打出一种特殊的续行提示符，每行前面带个 `>`。只用抽象规则去描述，这种细枝末节的格式很容易漏；把原始记录完整留着，细节就跑不掉。

第三层叫

**归纳知识**

*Induced knowledge：从多条证据中归纳出的、可反复使用的规律，涵盖条件触发的效果、状态约束、观测格式的“契约”，还包括一些零散却重要的环境惯例*

这一层才算真正的“抽象升级”。比如对比多次成功和失败之后，系统可能总结出一条：“手里已经拿着东西时，再去拿一件物品，这个动作不会产生任何效果。”规则一旦被验证支持，就能反复套到新场景，不必每次回头翻原始记录。

三层知识叠起来，就是一本完整的“环境说明书”。而且每条规则、每条证据都带着

**溯源**

*Provenance：它记下每一条归纳规则或证据出自哪条历史轨迹、第几轮对话，系统因而能随时回溯，检查某个判断的依据靠不靠得住*

这就像去图书馆查资料：好的学术著作不会只丢结论，还会标出引用来源。你怀疑某个说法，顺着脚注就能找到原始文献，不用干瞪眼。少了这层溯源，系统归纳出的规则就成了“黑箱断言”，出了错都找不着源头。

### 让“扮演环境”的AI真正像个侦探一样工作

手里有说明书还不够，关键看怎么用。

Trace2Env设计了一个

世界模型智能体是这套系统里的关键角色。

它专门负责“扮演环境”，并非被动接收提示词然后给出答案，而是会主动调用工具查资料、翻记忆、测试效果，之后才给出最终反馈。

这个智能体手上配了一组工具，能列出全部已知动作、查某个动作对应的规则、全文搜索知识库、读取原始证据的具体内容、查看当前状态，甚至可以对某条规则做一次“空跑”看看效果。整套做法有点像新员工上岗前不把全公司规章打印出来让他硬背，而是给一个内部检索系统，碰到具体问题现场查、现场验证。

硬背的毛病在哪？把所有知识一次性塞进提示词，模型容易被无关信息淹没，真正该盯的细节反倒被冲淡。改成按需查询，等于把“记忆负担”换成了“检索能力”，长程任务里这一点尤其要紧。毕竟没人能把一本说明书倒背如流，但好的检索习惯能在需要时精准定位。

这里还埋了一个挺巧的设计，叫

适用性门控。

它的作用是给每一条从历史证据里检索出来的信息打标签，分清这条信息是可以直接套用的“支持型”证据，还是只能参考格式、不能照抄具体内容的“仅供格式参考”证据。

为什么要分这么细？历史轨迹来自别的任务场景，那些场景里的文件名、具体数值、路径，跟当前这局模拟任务毫无关系。不做区分的话，模型很容易把A任务里的文件名张冠李戴搬到B任务里。好比你去问一位修过很多台不同型号冰箱的师傅“我这台冰箱该怎么修”，他能告诉你“这类故障一般按这个流程检修”（格式参考），但绝不会说“上次我修的那台压缩机型号是XX”（具体内容），那是上一台冰箱的事，型号对不上，照抄只会越修越坏。

靠这套机制，世界模型智能体最后会产出一个

转移提案。

这是它对当前这一步“接下来会发生什么”的完整预判，涵盖状态会有哪些具体变化，以及环境会返回什么样的观测文本。

提案不会直接生效，得先过一道

验证闸门。

这道闸门由一套固定的校验代码把关，检查提案里的状态变化是否符合模式定义、有没有证据支持、是否违反已知的约束条件，只有通过检查的提案才会被真正提交。

这道闸门很关键，相当于给AI的“脑补”上了一道保险。假如提案说“我把文件改名了”，可状态变量里压根没有这个文件的记录，闸门就会拦下这次提交，退回去用一个“什么都没发生”的保守方案兜底。

把“知道什么”和“记得什么”分开存

Trace2Env还有一处很细腻的设计：把“跨场景通用的知识”和“这一局模拟里特有的事实”严格分开储存。

论文对此的解释很直白：世界书保存的是其他模拟任务里的通用行为知识，比如“猫看文件时会显示成什么终端格式”，可它不能让人以为“当前这个新开的模拟局里也存在该文件”。另一边，当前局中由智能体临时新建的文件，就算历史轨迹里从未出现过，也得被准确追踪到。

于是系统维护了一个

持久化episode工作空间。

它包含三块内容：固定不变的世界书、随着当前这局交互不断变化的状态记录，以及记录这一局里发生过什么的episode记忆。

这三样东西的存续方式各不相同：世界书相当于出厂配置，始终不动；状态记录是本局游戏运行过程中的实时存档；episode记忆则完整录下这一局的全过程。

这种思路很像你去新公司上班的头一天。公司的规章制度（世界书）是固定的，不会因为你今天加入就改变；你今天具体负责的项目进度（状态记录）随时在变；你今天跟谁开了会、聊了什么（episode记忆）则独属于你这一天，换个人入职，这段记忆完全不共享。三者混为一谈，比如把“公司规章”和“我今天的会议记录”揣进同一个文件夹不加区分，用的时候就很容易张冠李戴，把别人经历过的事错认成制度规定。

论文特别强调，状态记录是“有意保留不完整”的。某个字段没被记录过，系统会把它标成“未知”而不是“不存在”。这个细节看着微小，却避开了一个很严重的逻辑错误：缺失不等于否定。你没查到某个文件的记录，不代表这个文件一定不存在，它可能只是还没被观测过而已。

光设计思路漂亮没用，考试结果才算数。九个环境，两套考法，成绩单到底写了什么？

研究团队把测试铺在九个不同环境里：终端操作、软件开发、安卓应用、网页浏览都在其中，另有饮食管理、购物、员工福利平台，以及ALFWorld和SciWorld这两个经典文本交互游戏环境。

考试分两种。第一种叫

**单步下一观测预测**

*Next-observation prediction：给定历史交互前缀和当前要执行的动作，让模拟环境预测下一步会返回什么样的观测结果，然后用格式、事实性、一致性、真实感、整体质量这五个维度打分*

这套考法里，Trace2Env对上最朴素的直接提示方法（论文里叫Direct Prompting），骨干模型换成GPT-5.6-Sol时平均分从69.51升到

**75.94**

骨干模型换成DeepSeek-V4.1-Flash，平均分则从68.71升到

**75.75**

这个提升并非靠某一项指标硬撑。论文特意点明，事实性和一致性这两个维度，在全部十四种环境和模型组合里全部有提升，无一例外。

第二种考试更有意思，叫

**多轮交互一致性**

*Multi-turn interaction consistency：让一个任务智能体先在真实环境里完整跑一遍任务，再在模拟环境里跑一遍，然后把模拟环境里生成的那套动作，原封不动地拿到真实环境里重新执行一遍，看看成功率能保留多少*

这里引出一个关键指标，叫

**一致性比率**

*Consistency ratio，简称CR：用“模拟环境里的动作拿回真实环境执行的成功率”除以“直接在真实环境里跑的成功率”，这个值越接近1，说明模拟环境越靠得住*

结果出人意料。ALFWorld环境里，Direct Prompting方法在模拟环境里自己跑的成功率高达97%，看着很完美对不对？可把这批动作原封不动拿到真实环境里重跑，成功率骤降到只有

**3%**

CR值只有0.032。

Trace2Env在模拟环境里的自评成功率反倒略低一些，只有88%，但真实环境重跑的成功率高达

**85%**

CR值是0.914，几乎是前者的三十倍。

这组数据揪心的地方在于，它揭示了一个很容易被忽略的陷阱：模拟环境里跑得好看，不代表它真的靠得住。

模拟环境里好看的成绩，并不等于它真的靠得住。

一次没做成的放置动作，把整件事的来龙去脉带了出来。

论文里举了个很能说明问题的例子：任务要求找两个纸巾盒，搁到咖啡桌上。

智能体走到某一步时，发出了一个真实 ALFWorld 根本不支持的放置指令。真实环境对此的回应是“什么都没发生”。可换成 Direct Prompting 的模拟环境，却张口就来了一句“你把纸巾盒2放到咖啡桌1上了”，等于把一个从没真正发生过的动作认了下来。

有了这个假前提，智能体接着往下走，又去取第二个纸巾盒，再往桌上放，模拟环境随即判定任务完成。看上去挺顺，是不是？

可把这套动作原样搬到真实环境重跑，情况就变了：第一次放置照样什么都没发生，纸巾盒2其实还攥在智能体手里，压根没上桌。后面一连串操作全建立在一个错前提上，最终奖励是 0，任务彻底失败。

同样的失败动作，Trace2Env 又是怎么接的？它准确预判了“什么都没发生”，持久化状态也如实记着纸巾盒2还在智能体的背包里。智能体之后查库存，系统老老实实告诉它“你还拿着纸巾盒2呢”，还通过帮助菜单亮出一个真实可用的 `move` 命令。顺着这条线索，智能体把自己的策略纠正了过来，用对的命令把任务做完，真实环境重跑结果完全对得上，拿到满分奖励。

这个案例的意义，不在于“Trace2Env 猜对了一次反馈”，而在于它跑通了一整条链路：局部预测准了，状态追踪能持久化，世界书里又存着失败场景的处理知识，三样凑齐，智能体才真能从错误里爬出来，而不是踩着错误越走越远。

好比开车用导航，靠谱的系统不光在你走错那一刻提醒“此路不通”，还得记住你眼下实际停在哪个路口，再按真实位置重新规划路线，而不是假装你已经按原计划到了目的地，继续播报下一段早就作废的路线。要是导航为了让界面看着顺，硬说你走对了，那你接下来的每一步指引都建在谎话上，只会越走越偏。

拆开来看，到底哪一部分在真正起作用

研究团队做了一串消融实验，想搞清楚起作用的究竟是世界书，还是智能体主动查询的行为，抑或两样缺一不可。

在 Terminal 环境的实验里，他们把世界书拆成“归纳知识”（规则、契约、注释）和“接地证据”（具体观测记录和示范案例）两块，分开测。结果是：只加证据，提升很明显，涨了 +2.45 分；只加归纳知识，效果反倒比只用模式定义时略降，掉了 1.12 分。

这个结果乍看有点反常——总结出来的规则，怎么还帮了倒忙？

论文的解释是：归纳知识一旦没了具体证据托底，就容易变成空泛的抽象规则，模型拿着这些规则却没有案例去校准，场景一换就容易用错。可一旦把归纳知识和具体证据搭着用，效果马上翻过来：在证据之上再叠归纳知识，又能多涨 0.69 分；反过来在归纳知识之上叠证据，涨幅更大，达到 4.26 分。完整的世界书两层都用上，效果最好。

这个发现挺有启发。它说明“抽象规则”和“具体案例”不是谁主谁次，而是互相校验、互相支撑。规则告诉你“大概是这样”，证据告诉你“具体长这样”。只有规则没有案例，好比只背法条没读过判例，真碰上具体情况就容易生搬硬套；只有案例没有规则，又容易死记硬背，场景稍一变就懵。

另外，团队还分别测了去掉“自适应查询循环”和去掉“状态追踪”会怎样。去掉自适应循环，分数掉 1.79 分；去掉状态追踪，掉 0.97 分。两者都有贡献，但自适应查询循环的份量更重，这也印证了前面那句话——“按需检索”这个机制本身的价值，确实比单纯“把所有东西塞进提示词”更要紧。

要用多少条历史轨迹才够

还有个很实际的问题：搭这套世界书，究竟需要多少条历史轨迹？

论文做了轨迹数量的扫描实验，在 Terminal 环境上从 5 条一路加到 36 条构建轨迹。结果是：5 到 15 条时效果还不太稳，忽高忽低；从 20 条起稳步往上爬，到 36 条时分数达到 66.42，而且曲线到 36 条还在往上走，说明轨迹要是更多，效果应该还能继续涨。

代价也跟着涨。构建世界书的一次性成本大致随轨迹数量线性增加。算上性价比，团队最后把 20 条轨迹定为 Terminal 环境的默认配置，当作效果和成本之间的平衡点。

这个取舍很现实。不是轨迹越多就一味堆数量，而是要在“效果还能不能明显提升”和“构建成本值不值得”之间找个落脚点。就像囤货，囤十斤米能撑一个月，囤一百斤理论上是能撑更久，可仓库租金、腐坏风险都在涨，到底囤多少合适，得算账。

跨任务时到底管不管用

还有个关键问题：Trace2Env 的提升，会不会只是因为评测任务刚好跟构建世界书用的轨迹“撞脸”了？要是世界书见过的任务和评测任务是同一批，那提升可能只是死记硬背，并没学到能泛化的知识。

团队专门按“是否与构建轨迹任务重合”把评测数据分了层来测。结果显示，在 Web 和 SWE 环境上，哪怕评测任务跟构建轨迹完全不重合，提升依然清清楚楚；在 Terminal 环境上，GPT 骨干模型下这个模式依然清晰，DeepSeek 骨干模型下则略弱一些。

这说明世界书归纳出的知识确实能跨任务迁移，不是单纯记住了某几个具体任务的答案。不过论文也坦白指出，当评测任务跟构建轨迹里的任务确有关联覆盖时，效果还会再往上走——比如 Terminal 环境里，任务刚好在构建集里出现过的那些评测样本，提升幅度能到 17.86 分，远远超过没有重合那部分的 3.69 分。

换句话说，世界书有两样本事：一是把不同场景里通用的规律提炼出来，二是碰上相近任务时能匹配得更准。这两样本事并不冲突，是叠在一块儿起作用的。

Q&A

Q1：Trace2Env究竟解决了哪类难题？

A：遇到某个真实系统没法直接访问、也没法复现的情况，比如某家企业自己的内部软件或终端环境，Trace2Env可以拿历史交互记录搭出一个模拟该系统行为的"假环境"。AI智能体在这个模拟环境里就能训练和测试，不必去碰真实系统本身。

Q2：历史记录直接丢给AI当提示词，跟Trace2Env的做法差在哪？

A：差别不小。提示词一股脑堆上去，AI在长程交互里容易忘掉早先动作留下的隐性后果——文件删掉时没马上报错，可后面再查询就会报错。Trace2Env的做法是把知识整理成结构化的世界书，让AI主动去查，再用独立的状态记录跟踪变化。实验显示，这样生成的动作序列拿回真实环境重跑，成功保留率从3%提升到85%以上。

Q3：这套方法要不要重新训练AI模型？

A：不用。Trace2Env是一套学习无需训练的框架，模型参数一点不动。它在离线阶段把历史轨迹整理成结构化的世界书，运行时让现成的语言模型通过工具调用去查询、去推理，因此能直接套到不同的模型骨干上。