一分钟读论文：《旧轨迹里挖出新环境》
内容提要
论文指出终端代码智能体后训练的瓶颈在于可执行环境而非轨迹数量。Terminal-Universe框架从已有轨迹中重建37.3k个环境，通过回放文件操作和补全缺失部分，并扩展单轮及多轮任务。SFT后，Terminal-Bench提升11.9分，EvoCode-Bench多轮提升13.8分，显示环境是可持续生成任务的关键资产。
延伸解读
环境重建的两步机制
Terminal-Universe通过回放轨迹中的文件操作，将文件恢复到智能体修改前的状态，得到残缺的工作区，再由补全智能体推断并补齐缺失文件与依赖，从而还原出可执行环境。这一过程将训练数据的再加工从样本级提升到环境级，无需专门模拟器或人工沙箱，仅凭已有轨迹即可挖掘出可反复出题的环境。
多轮任务增益更大
论文实测显示，SFT后单轮任务在Terminal-Bench上提升11.9分，而多轮任务在EvoCode-Bench上提升13.8分，多轮增益更大。这与框架专门设计user agent模拟用户追问、将单轮查询扩展为多轮会话的取向一致，说明多轮交互的模拟可能更充分地利用了重建环境的价值。
与轨迹评估研究形成对照
本文与《推理链里的顿悟时刻》分别站在轨迹的两端：后者将轨迹视为被审视对象，质疑从外部读数时的预算混淆；本文则将轨迹视为原材料，反向工程出训练环境。同一数据物，一个用于评估口径的质疑，一个用于数据合成增量，读者可对照理解轨迹在智能体研究中的双重角色。
Q&A
Terminal-Universe 论文的核心观点是什么？
论文认为终端代码智能体后训练的瓶颈不是轨迹数量，而是可执行环境。环境可以从已有轨迹中重建，从而可持续生成任务并提供真实反馈。
Terminal-Universe 如何从轨迹中重建环境？
分两步：先回放轨迹中的文件操作，将文件恢复到修改前状态，得到残缺的工作区；再用补全智能体推断并补齐缺失文件和依赖，形成可执行环境。
Terminal-Universe 在实验中取得了哪些提升？
在单轮任务上，Terminal-Bench 2.1 相对基线提升 11.9 分；在多轮任务上，EvoCode-Bench v2 的 MT@4 指标提升 13.8 分。
为什么多轮任务的提升比单轮更大？
因为框架专门设计了 user agent 来模拟用户追问和反馈，将单轮查询扩展为多轮会话，因此多轮任务受益更多。
Terminal-Universe 与《推理链里的顿悟时刻》那篇论文有何关联？
两者站在轨迹的两端：那篇把轨迹当被审视的对象，质疑评估中的预算混淆；这篇把轨迹当原材料，从中反向工程出训练环境。一个关注评估，一个关注数据合成。
对做智能体后训练的团队有什么启发？
先盘点手头已有轨迹中的工具调用记录，因为其中可能包含重建环境的原料，而环境才是能反复生成任务并持续提供反馈的关键资产。
