← 返回概念解读

Concept Fable精修版

合成数据

Synthetic Data · AI engineering / data pipeline

先读故事。这里不急着给定义,先让问题自己长出来。

寓言故事

空市场里先搭出一座练习城

新城还没开市,巡街队却要训练识别扒手、迷路孩童和假票贩子。真市场尚未热闹起来,队长手里没有足够案例,只能让新兵背规章。

第一次实练,大家一进真实集市就乱了。规章写得清楚,现场却有吆喝、推车、雨棚和人群遮挡,新兵分不清哪些动作危险,哪些只是普通拥挤。

队长第一次修补,是等待更多真实案件。可案件不能为了训练而发生,等到足够多时,损失已经由百姓承担。

一位戏班班主提出搭一座练习城。演员扮商贩、游客、乞丐和小偷,布置不同天气、不同人流、不同摊位,让新兵在可控场景里反复练。

第一次练习城太整齐,小偷总从同一条巷出现,新兵很快背熟套路。到了真街,换个方向就失手。队长意识到,假场景若太单薄,会教出虚假的自信。

戏班于是加入更多变化:不同身高、不同口音、假动作、误报、无事发生的长时段。每个场景都标明它模仿哪类真实风险,不能把凭空想象当成事实。

新兵后来上街稳了许多。队长明白,练习城不能替代真实街市,却能在真实材料不足、危险或昂贵时,补出有边界的训练经验。

后来练习城每月都按真实街市调整。若码头新开,便加入外地口音和大箱货;若节庆将近,便加入拥挤和假票。队长始终提醒新兵:这里是训练场,不是整座世界。它的价值在补足稀缺经验,也在清楚标出自己从哪里模拟而来。 戏班班主后来也拒绝过一些夸张剧本。若场景太不像真实街市,训练只会养成坏习惯。练习材料可以是造出来的,但它必须服务真实问题,且让使用者知道它覆盖了什么、没覆盖什么。 后来新兵也知道,练习城里赢了不算结束,上真街能迁移才算学会。 这句话后来被写进新人的手册里,提醒大家先看现场代价,再谈省力。 也正因为这层提醒,后来再遇到相似难题时,众人不会急着套旧办法。

揭示

这个故事讲的是:合成数据

合成数据是由模型、规则或仿真系统生成的数据,可用于训练、微调、评测和测试场景覆盖。企业 Agent 使用合成数据时,关键是明确生成目标、质量过滤、标注依据和分布边界;否则它会把偏差、幻觉和错误标签放大进训练或评测流程。

它重要的地方在于:它不只是一个术语,而是在真实 AI / Agent 系统里会反复出现的结构性问题。理解它,才能判断什么时候该加模型,什么时候该改流程,什么时候该补治理。

隐喻映射

  • 镖局学校:需要训练和评测 Agent 的企业团队
  • 真实镖单不足:真实数据稀缺、敏感或覆盖不全
  • 抄旧镖单:简单数据增强但缺少新场景覆盖
  • 练习城:由规则、模型或仿真生成的 synthetic data
  • 标明来源和测试能力:数据生成规范、metadata 和 intended use
  • 剔除荒诞样本:质量过滤、人审和去污染
  • 高代价少见场景:边界案例、安全案例和长尾任务
  • 最后洞察:合成数据的价值在于补足结构化覆盖,而不是用低质生成物堆数量

Soloharness 判断

这个概念的实战价值,是帮你把“看起来聪明的 AI 功能”拆成可交付、可验收、可治理的工作单元。

Data generationdistillationevaluation setinstruction tuningdata augmentation