你让一个 AI 在模拟终端里删除 report.txt。它当下也许只返回一行空白。几轮之后，你再让它读取这个文件，它却若无其事地编出文件内容。问题不在语言是否流畅，而在这个模拟世界没有记住：文件已经被删除。
这正是训练 Agent——能够观察环境、采取行动并接收反馈的智能体——时常见的麻烦。训练需要一个可以反复使用、稳定响应的环境，但真实网站、软件工作区或企业系统可能昂贵、封闭，甚至根本拿不到代码。论文《From Traces to Agentic Worlds》提出 Trace2Env：不重建原系统，而是从历史操作记录中整理出一本“世界手册”，再让一个专门的 AI 充当环境。
这项工作获得了 155 次社区点赞，关注点很实际：当可用环境不足时，我们能否仅凭过去留下的交互流水账，造出一个足以训练和评测 Agent 的替身？以下结果均来自论文作者的实验，尚无独立团队复核。
不复刻机器，先复刻它的行为
交互轨迹（interaction trace）可以理解为系统留下的流水账：当时是什么状态，Agent 做了什么，系统又返回了什么。积累足够多的记录，就可能反推出环境通常怎样响应。
传统做法可以把环境说明、历史对话和当前动作一起塞进提示词，让语言模型直接猜下一条反馈。这类语言世界模型（Language World Model，LWM）不用真正运行原程序，而是用语言生成来扮演环境。它容易搭建，但长时间保持一致很难。历史越长，通用规则、当前事实和往日案例越容易混在一起。
Trace2Env 换了一个角度。它把“模拟环境”本身也当作一项 Agent 任务：task agent 负责行动，另一个 world model agent 负责判断这个世界应当如何回应。后者不直接访问原环境，而是主动查阅由轨迹整理出的资料，再决定返回什么观察结果，以及哪些状态变化必须保留下来。
论文称它是 learning-free，意思是框架不需要训练或更新语言模型参数，并不等于不用模型推理、计算资源或离线整理。
一本世界手册，三种不同的记忆
Trace2Env 首先离线构建 environment worldbook，即“环境世界手册”。它包含四类材料：
- Schemas：规定环境接受哪些动作，以及模拟器能够记录哪些状态变量，相当于操作接口和登记表。
- Grounded evidence：保存真实轨迹中的动作、返回结果和示例，避免所有判断都依赖概括出来的规则。
- Induced abstractions：从多条轨迹归纳重复出现的行为规则、前置条件、输出格式和约束。
- Provenance：记录每条材料来自哪段轨迹、哪个回合，方便把推断追回原始证据。
构建器会对齐动作与结果，提取可观察事实和可能的状态影响。归因不清的影响会被暂时搁置。它还会比较成功与失败案例：如果一个动作有时成功、有时失败，差异可能暴露某个缺失的前置条件；反例也可能迫使规则缩小适用范围，或者继续保持不确定。
真正运行时，系统还会维护两份只属于当前回合的材料：可变的 episode state，以及 episodic memory。前者记录“现在什么是真的”，后者保留“此前具体发生了什么”。世界手册说明环境通常怎样运转；当前状态说明这个实例眼下处于什么状况；情节记忆则保存事情发生的时间顺序和原始细节。
这种分层很关键。旧轨迹可以告诉模拟器 cat 命令通常怎样显示文件，却不能证明新任务里一定存在同名文件。反过来，新任务中刚创建的文件即使从未出现在历史轨迹里，也必须从此被记住。Trace2Env 还明确把缺失的状态项视为“未知”，而不是武断地当成“不存在”。
每次回答之前，先过一道闸门
面对 task agent 的新动作，world model agent 会从世界手册中寻找相关证据。但“相关”不代表“可以照搬”。一条旧轨迹可能展示了正确的输出格式，其中的文件名、商品或账户状态却只属于另一个任务。
因此，Trace2Env 会判断证据适用于当前实例的程度。有些证据能支持具体行为；有些只能谨慎参考；还有些只能提供回答格式，不能证明当前事实。
world model agent 随后提出两样东西：环境应返回的观察结果，以及需要持久保存的状态变化。它不能直接修改状态。共享运行框架会依据 schema、规则支持和状态约束检查提案，只有通过验证的变化才会提交。下一轮模拟从更新后的状态继续。
说白了，这套设计不是只要求 AI “回答得像”，而是要求它先交代世界发生了什么变化，再由外部机制把变化记到账上。
分数更高，更重要的是不把路带偏
论文在九个环境中测试了 Trace2Env。单步预测覆盖 Terminal、SWE、Android、Web，以及 Food、Shopping、Benefits；多轮测试使用文字交互环境 ALFWorld 和 SciWorld。
单步测试由 gpt-5.2 从格式、事实性、一致性、真实感和整体质量五个维度评分，再换算到 0—100。使用 gpt-5.6-sol 作为世界模型时，Trace2Env 的七个环境平均分为 75.94，直接提示为 69.51，提高 6.43 分。换成 deepseek-v4.1-flash，平均分为 75.75，对应直接提示的 68.71，提高 7.04 分。14 组“环境—模型”组合中，它有 11 组排名最高，没有一组低于直接提示。
消融实验也说明，关键不只是把更多文字塞进提示词。原始轨迹检索、静态加入世界手册、单独使用运行框架都有帮助，但完整 Trace2Env 的平均成绩最高。以 Terminal 为例，世界手册使用 20 条构建轨迹时得分为 64.89；轨迹增加到 36 条后升至 66.42，但一次性的构建成本也随数据量增长。
多轮结果更能说明问题。论文先让 task agent 在模拟环境中行动，再把整串动作放回真实环境执行。直接提示在 ALFWorld 模拟世界中的成功率达到 97%，看起来很好；但这些动作回放到真实环境时，成功率只有 3%。Trace2Env 在模拟世界中的成功率较低，为 88%，真实回放却达到 85%。在 SciWorld 中，两者的真实回放成功率分别为 45% 和 60%。
这揭示了一个容易误判的指标：Agent 在模拟世界里通关，不代表这个世界模拟得准。一个环境可以先编造错误变化，再沿着错误设定自洽地演下去。Trace2Env 有时会拒绝不受支持的动作，导致表面成功率下降，却减少了这种“在虚构状态里获胜”的情况。
为什么值得关注
Agent 环境短缺，不只是数量问题。真实系统还受到费用、权限、安全与可重复性的限制。Trace2Env 展示了一条介于“直接提示模型”和“完整重建软件”之间的路线：保留轨迹证据，归纳行为规范，再用持久状态维持多轮后果。
它最有意思的地方，不是宣称已经复制了真实世界，而是重新界定了复刻目标。模拟器未必需要拥有原系统的全部代码；在部分训练和评测场景里，它可以先努力复现可观察行为，以及行动留下的长期影响。这仍不是完整功能等价，但比逐轮猜一句像样的反馈更接近一个可交互的世界。
局限与未知
- 模拟能力受轨迹覆盖范围限制。轨迹没有揭示的行为、隐藏状态和边界条件，世界手册无法凭空恢复；论文也承认，不同模型利用重构证据的稳定性并不相同。
- “原系统不可访问”有明确条件边界。部分实验能够收集独立轨迹或把动作回放到真实环境，另一些则通过基准轨迹的五折交叉构建世界手册，不能笼统理解为任何阶段都完全没有原环境访问。
- 当前证据来自作者自己的九环境实验。较高的单步评分和真实回放成功率支持“更忠实、更一致”的判断，但尚不能证明 Trace2Env 已成功复刻完整系统，更不能直接证明它可以取代真实环境。