你交给 AI 一项复杂工作：先检查文件，找出问题，修改方案，运行测试，再根据报错返工。它可能会用几个命令，却未必能把整件事做到底。原因之一是，它在训练中见过大量“这一步怎么做”，却较少见到一项工作从接题、试错到交付的完整过程。
论文《Scaling Agentic Data for Long-Horizon Terminal Intelligence》把问题指向了数据。作者提出 TerminalHorizon，希望自动合成长程轨迹——也就是智能体从接题开始，连续记录观察、操作、反馈、修正和最终交付的一份“工作录像”。这项研究值得现在关注，因为长任务智能体继续进步的瓶颈，可能已不只是模型大小，而是有没有足够多、足够完整的做事经验。
本文数字与效果均来自论文作者的实验，尚无第三方复现。作者把系统称为“全自动”，但论文同时说明 AI 辅助内容经过人工审查，因此自动化边界仍需谨慎理解。
难点不是把任务写得更长
终端 Agent，是能在命令行里查看文件、运行工具，并依据结果继续行动的智能体。专业任务通常需要几十轮操作。可单纯增加步骤，并不会自然产生高质量训练数据。
问题在环境合成。它指自动准备任务所需的文件、工具状态和验收条件，相当于给智能体搭一间练习室。搭建者若提前整理好了证据、实现了核心函数，或者把复杂关系简化掉，题目看似困难，真正留给智能体的可能只剩修改一个常量。这样的轨迹很长，也教不会探索、诊断和返工。
TerminalHorizon的关键思路，是让一个没有参与出题的智能体先来“试做”。系统检查它实际做了什么，并把轨迹与原本希望保留的工作对照。如果试做者绕过了调查、实现或验证，系统就追查：是不是初始材料泄露了答案，工具行为过于省事，或核心工作已被环境预先完成。随后，它重建环境，再交给独立智能体挑战。
这像验收一间教学厨房：不能只看菜谱写得复杂，还要请人实际下厨，确认食材没有被提前切好、调味和烹熟。论文称这一阶段为“挑战引导的长程合成”。它关注的不是强迫智能体多走弯路，而是保留任务本来需要的实质工作。
做完一轮，再让后续工作真正接上
第二步叫“渐进式时程扩展”。系统不会简单在原题后面追加无关要求，而是在同一目标下继续加深任务，并要求新工作依赖前一阶段的结果。
扩展可以增加新的职责，补入更多证据，把原先简化的依赖关系展开，或者要求升级既有方法。后续决策还会依赖先前查询得到的信息、工具运行后的状态或已经生成的成果。这样一来，智能体不能把每一步当作彼此独立的小题；后面的诊断必须接住前面的观察，最终交付也要保留中途验证过的改进。
作者用27种“智能体行为模式”检查这种经验，覆盖信息探索与判断、诊断与纠错、构建与推进、验证与保障，以及策略协调五类。每条训练轨迹平均包含8.6种核心模式。
三千条轨迹，重点在信息密度
TerminalHorizon生成了1,535个任务环境。作者用 DeepSeek-V4-Pro-0813 作为教师模型——即负责跑任务并产出示范过程的模型——每个任务采集两条轨迹，过滤后留下2,852条，组成 TerminalHorizon-3K。
这些轨迹平均有52.8轮交互，第90百分位达到98轮；由终端反馈连续串联起来的动作链，中位数为25轮。作者还让不同方法在相同教师协议下各抽取300项任务比较，报告称 TerminalHorizon 的轨迹明显更长。这里真正重要的不是轮数本身，而是多轮操作是否由反馈和前序结果连在一起。
随后，研究者对 Qwen3.5-27B 做监督微调——让模型模仿这些完整示范轨迹——得到 TerminalHorizon-27B。在 Terminal-Bench 2.0 上，得分由41.6%升至55.8%，增加14.2个百分点；在2.1上达到60.67%，增加13.85个百分点。与使用相同基础模型和执行框架的 Terminal-Universe-27B 相比，它在 Terminal-Bench 2.0 高3.0个百分点，训练轨迹却不到后者的十分之一。
迁移到生产力任务时，AutomationBench 的完整通过率由5.5%升至17.2%，部分得分由26.4%升至49.7%；VitaBench Cross-domain 由20.5%升至31.8%。论文还报告，模型在其评测的12个编码、智能体和通用推理基准上都超过基础模型。不同规模的三个 Qwen3.5 配置，在 Terminal-Bench 2.1 上均获得两位数百分点提升。
为什么这像一个“数据扩展时刻”
过去谈扩展，容易想到增加参数或堆积更多样本。这篇论文强调另一条轴：数据不仅要更多，还要更长、更连贯，并保留真正需要探索和纠错的工作。
作者从1,000条轨迹扩展到约3,000条时，Terminal-Bench 2.1继续提升至60.67%，实验范围内没有出现饱和迹象。这还不能证明一条普适的扩展定律，却给出了一个清晰信号：对长任务智能体，下一份数据预算或许不该只购买更多零散题目，也应购买更完整的问题解决过程。
一个12小时的递归自我改进（RSI）案例进一步展示了差异。在多视角点云融合任务中，基础模型依据自己设计的替代指标，在12.1分钟后便判断结果足够好并停止。TerminalHorizon-27B则继续检查不同视角的贡献，引入“留一视角”诊断，随后改进跨视角对齐、全局优化和基于置信度的点选择。其最终隐藏评测分数比基础模型高27.03%。这是案例而非系统性证明，但它直观呈现了长程训练想教会模型的事：别在得到第一个可用答案后停下，要用反馈发现评价方法本身的问题。
局限与未知
- “全自动”仍有边界。论文披露生成式 AI 用于环境和轨迹生成，所有 AI 辅助内容经过人工审查，但没有据此量化人工筛选与质量控制的投入。
- 作者称做过轨迹过滤和严格的基准去污染，并把细节放在附录；现有材料不足以独立判断数据重复、污染风险及合成环境与真实工作的差距。
- 12项基准的提升和RSI案例都来自论文团队。尤其是数据扩展尚只覆盖约1,000至3,000条轨迹，所谓“未饱和”是这一区间内的观察，不能直接外推到更大规模。