S1 - agent0 curriculum agent / AgentEvolver Self-question/CuES在测试用例生成时的比较

方面	Agent0 Curriculum Agent	AgentEvolver Self-Question	CuES
环境信息依赖	系统角色定义：需要人工定义一个系统角色，例如“你是一个数学专家， 出数学相关的题目”	环境配置信息：需要人工定义一个环境的profile，例如包含环境里的entities， 并且需要参考环境中的seed_task作为示例task(并不直接执行seed_task)	环境的概念池： 需要从环境中的seed tasks中提取概念
环境锚定策略	n/a	在生成探索prompt时，使用env_profile作为环境的描述。 并且使用环境中的种子问题作为在探索时的示例问题： 例如“用户可能会问： [种子问题]”	在生成探索prompt时，环境内自带的system prompt将会被用于环境的描述
task合成路径	直接通过被训练的基座模型前向传播，生成包括task和预测的final anwser	4阶段： - 探索阶段：根据env_profile来引导生成不同的trajectories - 合成阶段： 根据env_profile和trajectories来反推出sythetic tasks(包含query, confidence, ground_truth/action_sequence) - 过滤阶段：过滤掉重复的任务/没有预测答案的任务， 最后无法执行或执行失败的任务 - 改写ground_truth阶段：在过滤时，如果任务成功执行，则通过真实执行的traj改写合成任务的ground_truth	4阶段: - 探索阶段：根据concept pool和人工探索方向来为每一步生成3元组合(s, a, o) - 合成阶段：根据同一个env_id下生成的多个[（s1,a1,o1），(s2,a2,o2)]三元组合反推出sytehtic tasks(包含 query, description, confidence, ground_truth/action_sequence) - 过滤阶段: 过滤掉无法执行或执行失败的任务 - 扩展阶段：将成功执行的sythetic task的query进行相同语意下的难易度改写，扩展合成task的数量
引导信号	根据被测agent的反馈，计算4种reward的信号： - reward of unconsistency - reward of correct format - reward of tool_usage - penalty of repetit questions 使用GRPO更新curriculum agent的权重(policy)来引导他创建出新的task 循环往复，不断根据reward提升task的生成能力	使用高温LLM在规定的env_profile的指引下进行探索， 在探索时期，通过prompt控制广度探索和深度探索 在生成阶段通过trajectory, 之前找到的新task, 还有env_profile来引导	通过conept pool和人工提供的探索方向，引导在规定的范围内探索，通过exploration_memory优先探索之前未探索的 在生成阶段，通过env_description(沙盒的system prompt) 和exploration_memory还有triplets来引导生成 在扩展阶段，根据prompt进行相同语义不同难度的改写 合成的task的
难易程度控制	通过self-consistency的阈值来控制	通过在prompt中的exploration principals来控制，从广度到深度的扩展	通过对成功执行的sythetic task的query进行相同语义不同难度的改写
任务演化逻辑	Adversirial RL自学习， 通过GRPO计算advantage, 进行反向传播	静态生成，通过不断生成的trajectory作为上下文，来提供经验来学习	静态生成后，通过exploration memory和triplets作为上下文，来提供自我学习，然后动态通过query改写的方法提供不同难度的任务(任务语义不变)
有效测试的定义	让被测agent感到模糊的测试用例	物理上可执行且符合难易程度的ground_truth 用例	物理上可执行且符合难易程度的ground_truth 用例