规模化合成计算机：用于长时生产力任务仿真的环境生成方法 Synthetic Computers at Scale for Long-Horizon Productivity Simulation
用 persona 合成虚拟计算机，让 agent 在上跑 2000+ 回合的月度生产力仿真。
前置知识
LLM 智能体 (LLM Agent)
由大语言模型驱动、配备工具调用、记忆与执行循环的自主系统。它能感知环境、做出决策、操作工具（如文件读写、代码执行、网页浏览）并完成多步任务。在本文中 agent 既要扮演真实用户去写文档、做表格，也要扮演同事/客户进行协作对话。
本文方法核心是把 LLM agent 放入一个完全合成的「用户电脑」中，让其以用户身份完成月度生产力任务，理解 agent 行为是理解整篇论文的前提。
Long-Horizon (长时任务)
指需要数百到数千次决策回合、跨越数小时乃至数周时间、依赖大量上下文才能完成的任务。与单轮问答或短对话不同，长时任务需要规划、子目标分解、状态持久化和从错误中恢复。本文单次仿真平均需要 2272 个 turn 和 8.59 小时 wall-clock。
本文解决的核心痛点正是长时生产力任务的数据稀缺问题，需要先理解「为什么这类任务难以合成」才能体会方法设计的针对性。
合成数据 (Synthetic Data) 与 Persona
由模型按需生成而非真实采集的训练/评测数据。Persona 是一种简短的虚拟用户画像（如「关注资产配置的资深理财顾问」），本文作者的前作 Persona Hub (Ge et al., 2024) 已经积累到 10 亿级 persona 池，作为构造个性化计算机的种子。
合成 persona + 派生计算机是本文一切数据的源头，决定了后续仿真场景的多样性和真实性。
工具增强的代码 Agent (Tool-augmented Coding Agent)
类似 Claude Code、Cursor 这类能直接读写文件、调用 shell、搜索代码库的智能体。本文用 Claude Code SDK 作为 agent runtime，agent 通过工具调用操作合成电脑的目录树，而不是只看文本提示。
理解工具增强 agent 才能体会为什么需要「文件图」「依赖感知生成」等机制——因为后续文件的生成依赖前置文件的内容。
经验学习信号 (Experiential Learning Signals)
指从大量任务执行轨迹中提取的「哪些行为有效、哪些失败模式反复出现」的统计性结论。在本文中以回溯报告 (retrospective report) 形式呈现，进而被压缩为可注入 prompt 的「技能 (skill)」。Skill 是介于 prompt 与模型权重之间的中间表征形式。
理解体验信号到 skill 的转化闭环是理解本文实验设置和「自改进循环」的关键。
研究动机
近年来 AI agent 已经从对话式助手 (ChatGPT) 演进到仓库级编程 agent (Cursor)，再到最近以整个用户电脑为接地环境的长时 agent (Claude Cowork)，它们被期望完成信息搜集、证据分析、协同沟通以及产出文档/表格/PPT/报告等专业交付物。然而这类真实生产力轨迹极难规模化采集，因为它们强依赖于用户的私人电脑环境 (个人文件、企业文档、项目状态、协作历史)。同时已有的合成数据方法 (如大多数 persona-driven 数据集) 只合成任务、不合成上下文，产出的轨迹停留在「通用玩具工作流」层面——缺少真实的目录结构、跨文件引用、积累的工作历史，无法支撑长时任务的训练和评测。具体表现为：当前合成 agent 任务的平均回合数仅 $\bar{T} \approx 30$，参考文件 $\approx 1$，与真实职场中 $\bar{T} > 2000$ turn、$\bar{n}_{files} > 100$ 的工作环境相差近两个数量级；并且普遍忽略用户的协作对象、文件版本演进、跨 deliverable 依赖，导致训练出的 agent 在面对真实职场场景时无所适从。
本文的目标是本文提出 Synthetic Computers at Scale 方法学，目标是构建一个可规模化的基础设施：(1) 从 persona 池自动派生出「带富内容的用户专属合成电脑」(含真实目录结构、Office/PDF 等专业文件、跨文件依赖图)；(2) 在每台合成电脑上自动运行月度级生产力仿真（平均 2000+ turn），由 setup agent 设定目标与协作团队，由 work agent 以用户身份完成工作；(3) 从仿真轨迹中抽取可复用的经验信号（最终技能为可注入 prompt 的 skill），证明这些信号在 in-domain (同分布新电脑) 和 out-of-domain (GDPVal 公开基准) 上都能显著提升 agent 表现。最终愿景是让人格池级别的合成电脑覆盖尽可能多的职业、角色、组织和协作场景，成为 agent 自改进和长时 agentic RL 的「训练地基」。
与已有工作不同的是，已有工作要么聚焦于「合成对话」(只产出短轮次多轮问答)，要么仅在「任务级别」合成 (例如让模型根据提示词输出 Excel)，都没有把「用户环境本身」当成合成对象。本文最大的独特之处在于：把 persona → 用户档案 → 文件系统策略 → 文件系统计划 → 依赖图 → 真实内容文件这条链当作一个完整生成流水线，并用 dependency-aware 拓扑排序保证后续文件能引用前置文件的内容 (例如从 Vanguard PDF 抄录到 VCMM Excel，再由 Excel 派生多版 AllocationModel)。此外还把协作对象 (manager/client/compliance officer) 显式建模为带私有 reference files 的「角色」，模拟真实职场中「不会一次性把信息给齐」的协作动态——这是绝大多数生产力 agent 数据集完全没有建模的维度。
核心方法
方法整体可类比为「自动搭建一个虚拟世界的剧组并让它自己演一个月」：先选一张 persona (一句话用户画像)，逐步展开成完整的用户档案 (身份、组织、职业阶段、协作对象、文件习惯) 和文件系统策略 (磁盘布局、命名风格、组织习惯)，再规划出文件清单和带「依赖箭头」的目录树 (例如「IPSDraft v2 派生自 IPSDraft v1」)，然后用 LLM agent + Office 工具 (minimax-docx/xlsx/pptx/pdf) 按拓扑序逐个生成真实可读的 .docx/.xlsx/.pdf/.pptx 文件。电脑搭好后，setup agent 站在「了解该用户的上级/客户/同行」视角生成「本月的工作目标」(多个 deliverable 工作包 + 模拟同事)，最后由 work agent 在合成电脑里以周计划 + 日执行的方式逐日推进——每天一个新 session，恢复上下文后再读文件、做表格、写文档、发邮件与模拟同事交互，直到所有 deliverable 完成。整条流水线可形式化为 $P \to U \to F \to S$，其中 $P$ 是 persona，$U$ 是 user profile，$F$ 是 filesystem plan (含文件依赖图 $G_f = (V, E)$)，$S$ 是 simulation trajectory；整个仿真平均 $\bar{T}=2272$ turn、$8.59$ 小时，产出过程轨迹 + 最终交付物，再被回溯报告化、提取为可注入 prompt 的 skill。
核心创新是把「用户电脑 + 同事关系网」作为合成对象本身，而不是把任务当合成对象。这一转变带来三个根本差异。**第一**，文件不是独立样本，而是带 dependency graph 的相关集合。记文件节点集合为 $V = \{v_1, v_2, \ldots, v_n\}$，边 $e_{ij} \in E$ 表示 $v_i \to v_j$ (引用/派生/版本演进)，通过 Kahn 拓扑排序生成保证引用一致性——即只有当 $\forall v_k \in \text{Pre}(v_j)$ 都已实例化后才生成 $v_j$。**第二**，协作不是「一次性给齐 prompt」，而是把同事建模为持有私有 reference files 的角色 $C_i = (\text{role}, \text{background}, \text{style}, R_i^{private})$，agent 必须主动发起 outreach、等待回复、读共享文件才能推进工作。**第三**，经验信号既来自最终交付物的 outcome ($r_{outcome}$ = rubric 打分)，也来自过程轨迹 ($r_{process}$ = planning/grounding/coordination/revision/recovery 的状态序列)，后者包含大量 outcome 评分看不到的失败模式 (例如 grounding 不充分、漏读反馈、无谓返工)。这三层叠加，使合成数据从「任务片段」升级为「完整工作月」，最终在 $N_{test}=100$ 台 held-out 电脑上带来 $\Delta s = +7.0$ pp 的 rubric 提升与 $83\%$ 的胜率。
方法步骤详情
整体流程分为两阶段。**第一阶段：合成电脑生成 (Synthetic Computer Creation)**。Step 1 从 persona 池采样 1000 个 persona，逐个用 LLM 展开为详细 user profile (身份/职业/组织/职业阶段/职责/项目历史/协作对象/常用产出物/技术等级/电脑使用强度/命名习惯/组织风格)。Step 2 生成 filesystem policy (系统启动时间、磁盘布局 C:/D:/、默认路径、命名风格、使用模式)。Step 3 生成 filesystem plan：包含完整的目录树、文件清单 (路径、类型、时间戳、来源、内容模式)，以及一张 directed dependency graph (节点=文件，边=引用/派生/版本演进/从归档抽取)。Step 4 按 Kahn 拓扑序实例化文件：先创建目录结构，public/web-downloadable 文件优先尝试真实下载，私有文件则调用 LLM agent 配合 minimax-docx/xlsx/pptx/pdf 等 Office 工具生成，每个文件 condition on 其前置依赖的内容。一台电脑典型产出 ~112 个文件，Office 类占 67.8% (DOCX 34.8%, XLSX 15.8%, PDF 13.9%, PPTX 3.3%)。**第二阶段：长时生产力仿真 (Long-Horizon Productivity Simulation)**。Step 5 (Setup) 由 Opus-4.6 驱动的 setup agent 根据 user profile + 当前电脑状态生成「本月目标」：拆解为多个 deliverable (如 VCMM 模型组合刷新、HNW 客户 onboarding 包、再平衡工具 v3、alternatives IC 推荐、ESG 叠加建议)，每个 deliverable 给出里程碑 (W1–W4)、预期产物清单、依赖关系。Step 6 (Collaboration Setup) 为每个 deliverable 创建 5–8 名模拟同事 (manager/peer/client/compliance/external)，每人持有私有 reference files (如客户账户对账单、peer review 文档、Vanguard 数据集、IC 评审清单)。Step 7 (Weekly Planning) work agent 在每周开始时生成 week plan：把本周拆为 daily activities (deep work / review / admin / outreach)，每项 activity 指明要修改的文件、要读取的源文件、要 contact 的同事。Step 8 (Daily Execution) 每一天作为独立 session：先恢复上下文 (读 activity log、检查电脑状态、读新到的同事回复)，再按计划推进 (读现有 artifact → 创建/修改文件 → 必要时发邮件/共享文件)。Step 9 (Iteration Loop) 周计划→日执行循环 20 个工作日，直到所有 deliverable 完成；期间电脑被持续改写 (新文件、修订版、协作历史)，文件图也同步更新。**第三阶段 (论文隐含的第三段)：经验抽取与 skill 构造**。Step 10 对每次仿真生成 retrospective report，提取 experience items (有用工作模式 / 教训 / 警告 / 失败模式)。Step 11 按 user 所属 occupation 分组，组内合并相似项并统计频次，得到 frequency-ranked list。Step 12 用 Anthropic 的 skill-creator 把高频项写成 occupation-specific skill (例如 financial-and-investment-analysts skill 包含「single-source-of-truth」「methodology-change propagation」「sensitivity-integrity」「GIPS net performance disclosure」等可执行规则)。这些 skill 在新电脑运行时被注入到 work agent 上下文，无需更新模型权重。
技术新颖性
技术新颖性主要体现在三点。**(1) 依赖感知的文件图生成**：将「文件不是独立样本」这一观察形式化为 DAG $G_f$，并用 Kahn 拓扑排序保证后续文件 $v_j$ 生成时能引用前置内容 $v_k \in \text{Pre}(v_j)$。这一机制直接对应「专业工作中下游产物引用上游 Excel 模型」的典型工作模式，传统合成方法做不到这一点。**(2) 持私有文件的协作模拟**：把同事建模为 $C_i = (\text{role}, \text{background}, \text{style}, R_i^{private})$ 的反应式角色；只有当 agent 主动 outreach 并被允许共享时，$R_i^{private}$ 才进入 agent 上下文。这一设计模拟了真实职场中「信息不对称 + 协作依赖」的双重动态，远比简单的多 agent 辩论复杂。**(3) 经验信号的两层结构**：过程信号 ($r_{process}$) 与结果信号 ($r_{outcome}$) 并存。$r_{outcome}$ 用 $5$ 次重复 + judge 合并得到的 rubric 评分覆盖 deliverable 质量，$r_{process}$ 覆盖 planning/grounding/coordination/revision/recovery；两者互补，rubric 看不到的失败模式可从 $r_{process}$ 补回，反之亦然。这与多数 agent RL 工作只奖励 outcome 的做法形成对比。
实验结果
**整体结构与可扩展性 (Table 1, 3)**。$N=1000$ 台合成电脑平均每台 $111.6$ 个文件 (中位 $89$、最小 $72$、最大 $595$)，$30.4$ 个目录 (中位 $25$)、平均目录深度 $3.39$、最深 $5.5$。仿真后文件数上升至 $197.4$ (中位 $174$)、目录 $36.0$、深度 $3.40$——目录数与深度基本不变 (变化 $< 6\%$)，表明 agent 主要在既有结构下增删改文件而非另起炉灶。每台电脑平均有 $5.5$ 名模拟同事 (中位 $5$、最少 $5$、最多 $8$)，单次仿真平均 $\bar{T} = 2272$ turn (中位 $2234$、最大 $3248$) 与 $8.59$ 小时 wall-clock (中位 $8.31$、最大 $11.67$)，其中 daily execution 占 $2209$ turn + $8.0$ 小时，weekly planning 仅 $63$ turn + $0.59$ 小时。每台电脑平均产生 $31$ 次通信 (中位 $30$、最少 $17$、最多 $56$)。**Artifacts 内容性 (Figure 5, Table 2)**。DOCX/XLSX/PDF/PPTX 合计占 $67.8\%$ 的文件；reference files 平均 $26.6$ KB (DOCX)、$51$ KB (XLSX)、$277$ KB (PPTX)、$55.8$ KB (PDF)；final deliverables 平均 $14.8$ / $28.1$ / $615.4$ / $141.8$ KB，PPT 文件平均 $615$ KB 说明包含真实图表/排版而非占位文本。**最终交付物评分 (Figure 6)**。对 $100$ 台电脑、每个 deliverable 用 $5$ 轮 rubric 合并打分，per-computer 与 per-deliverable 的得分分布都集中在 $60\%\!-\!80\%$ 区间，提示 agent 能完成大部分任务但仍有显著改进空间。**In-domain 改进 (Table 4, Figure 7)**。$900$ 台训练电脑提取出的 occupation-specific skill 注入到 $100$ 台 held-out 电脑后，平均 rubric 得分从 $s_{base}=61.6\%$ 提升至 $s_{skill}=68.6\%$，相对提升 $\Delta s = +7.0$ pp；paired comparison 中 $83/100$ ($\text{win rate}=83\%$) 台优于 baseline。随训练电脑数 $N \in \{10, 100, 500, 900\}$，胜率从 $48\% \to 64\% \to 75\% \to 83\%$，单调提升；$N=10$ 时反而 $52\%$ 输给 baseline，因为覆盖面太窄导致 skill 不匹配。**Out-of-domain 改进 (Figure 8, Table 5)**。在 GDPVal $220$ 个真实生产力任务上 (平均仅 $1.18$ 参考文件、$31$ turn、$17$ 分钟，与本仿真环境的 $112$ 文件 / $2272$ turn / $8.59$ 小时形成强烈对比)，同一套 Sonnet-4.6 仿真提取的 skill 也带来显著提升：Sonnet-4.6 主设置胜 $105$ / 平 $48$ / 负 $67$，$\text{win rate} = 105/(105+67) = 61.0\%$，单侧符号检验 $p=0.002$、双侧 $p=0.005$；跨模型迁移上，Haiku-4.5 胜 $36$ / 负 $80$ ($p=0.045$)，Opus-4.6 胜 $50$ / 负 $71$ ($p=0.019$)，增益均存在但弱于主设置。
查看结构化数据
| 任务 | 指标 | 本文 | 基线 | 提升 |
|---|---|---|---|---|
| 合成电脑生产力仿真 (in-domain, 100 held-out) | Rubric-based mean score | 68.6% (skill-augmented, 基于 900 台训练电脑) | 61.6% (无 skill) | +7.0 pp 绝对提升；83/100 台胜出 (胜率 83%) |
| GDPVal 长时生产力基准 (out-of-domain, 220 tasks) | Pairwise win/tie/loss (Sonnet-4.6 judge) | Win 105 / Tie 48 / Loss 67 (Sonnet 主设置) | 无 skill baseline | Win rate 56.8%，单侧符号检验 p=0.002、双侧 p=0.005 |
| GDPVal 跨模型迁移 (Haiku-4.5) | Pairwise win/tie/loss | Win 36 / Tie 4 / Loss 80 | 无 skill baseline | Win rate 30.0%，单侧 p=0.045；增益存在但弱于主设置 |
| GDPVal 跨模型迁移 (Opus-4.6) | Pairwise win/tie/loss | Win 50 / Tie 78 / Loss 71 | 无 skill baseline | Win rate 25.8%，单侧 p=0.019；强模型天花板效应 |
| 训练规模扫描 (10/100/500/900 台) | Skill-augmented 胜率 vs baseline | 10→48%, 100→64%, 500→75%, 900→83% | 50% (无差异) | 随训练量单调提升；10 台时反而落后 2 pp |
局限与改进
**作者承认的限制**。(1) artifact 视觉风格/排版在不同电脑间仍过于统一，缺少组织级设计偏好；(2) 真实电脑有大量「日常噪声」(临时下载、重复草稿、弃用文件、过期材料)，合成电脑目前过于整洁；(3) 模拟同事目前基本是「反应式」的，没有自己的 work/meetings/deadlines，与真实多 agent 组织动态差距大。**审稿层面的观察**。(4) 实验仅 1000 台电脑 + Claude Sonnet 4.6 / Opus 4.6 / Haiku 4.5 三个模型，规模与模型多样性都有限，对其他模型族 (GPT、Gemini、Qwen、DeepSeek) 的迁移性未经验证；(5) rubric-based 评估的 ground truth 来自 LLM judge，且 rubric 本身由 LLM 起草并合并，可能与人类专业判断存在偏差；(6) out-of-domain 仅在 GDPVal 一个基准上验证，没有覆盖跨领域、跨语种、跨工种；(7) 仿真产出过程信号与最终 outcome 信号之间的「互补程度」未做 ablation，即去掉过程信号单独用 outcome signal 训练会得到多少分并未直接报告；(8) 模拟同事的「持有私有 reference files」设计虽新颖，但私有文件的内容来源、覆盖广度都依赖 setup agent 的发挥，是否充分覆盖真实职场中常见的「会议之外的潜规则信息」仍有疑问。
独立分析的弱点
**Weakness 1：训练规模—胜率曲线起点为负**。仅 10 台训练电脑时胜率 48% < 50%，说明在 coverage 不够广时 skill-creator 倾向于产出泛化但「勉强相关」的 skill，反而干扰 agent 的判断。改进方向：可在 skill 选择阶段加入显式的 occupation 匹配度阈值，未达阈值的电脑直接禁用 skill 而非勉强注入。**Weakness 2：rubric 评分天花板与不稳定性**。图 6 显示 per-computer 与 per-deliverable 评分大多落在 60%–80%，未达 90%+，且评分由 LLM judge 用合并后的 rubric 给出，本身有噪声。改进方向：引入 (a) 多 judge ensemble (如 Sonnet + Opus + 人类专家各打一份) 做 majority vote；(b) 把 rubric 拆分为「硬性合规项 (符合/不符合)」与「质量项 (1–5 分)」，分开报告。**Weakness 3：协作建模仍然单边**。同事是「反应式」——只在被 outreach 时给出答复/共享文件，没有自己的会议、deadline、跨 deliverable 状态机。改进方向：把每个同事建模为独立 agent 实例，跑同样的 daily cycle，使仿真从一个 work agent + N reactive 角色升级为真正的 multi-agent 组织级仿真；并允许同事之间互相发邮件、共享文件，进一步丰富信息流。**Weakness 4：合成电脑过于「理想化」**。作者承认当前文件目录很干净、缺少临时文件/弃用稿/下载杂乱，但这恰恰是真实办公电脑的特征——许多 grounding 价值来自「在错误文件里发现正确线索」或「从混乱邮件链里推断出隐含约束」。改进方向：引入专门「桌面/Downloads 噪声生成器」，按 persona 的 tidiness 评分反比例投放杂项文件 (random PDF、缓存截图、过期副本)，并显式让 agent 必须穿过噪声才能找到 grounding 资料。**Weakness 5：仅做 skill-injection，未更新权重**。实验只验证了把经验信号转化为 prompt-side skill 的收益，没有走完「skill → SFT/RL → 模型权重内化」的最后一步。改进方向：在已释放的 100 台电脑 + 500 份 retrospective report 上跑 SFT 或 DPO，对比 skill-augmented vs weight-augmented vs 二者叠加的差异，并量化 skill 集大小与「prompt 占用 context window」的代价。
未来方向
**作者提出的方向**。(1) Artifact 视觉个性化：让 pipeline 推断组织/个人级别的设计偏好 (字体、配色、PPT 母版、Excel 命名 sheet 习惯)，使产物在风格层面也因人而异。(2) 噪声与积累史建模：在合成电脑上加入真实日常痕迹 (重复下载、abandoned drafts、screenshots、过期副本)，让电脑「更像真人用过的电脑」。(3) 动态协作建模：把模拟同事升级为有自身 schedule/email/deadline 的多 agent，提升协作的真实性。**基于成果可延伸的方向**。(4) 训练—仿真循环自洽 (Self-improving loop)：本文 Figure 9 已经画出「仿真 → skill → 训练 → 重置 skill → 新一轮仿真」的循环图，但只跑了一圈。可在每轮仿真后做 SFT/RL 更新权重、再 reset skill 集跑下一轮，看 N 轮之后胜率是否饱和。(5) 与 OS-level computer-use benchmark 对接：合成电脑是天然的训练场，可被用来训练 computer-use agent (OpenAI Operator 类、Anthropic Computer Use 类)，验证方法在更底层 GUI 操作任务上的迁移性。(6) 跨语种、跨文化扩展：当前产出以英文文档为主、persona 以英语国家职业为主，可扩展到中文、日文职场场景，验证方法是否依赖英文写作习惯。(7) 与经济价值挂钩：评测目前只看 rubric 分数，可补充「每台电脑月产值」等代理指标，让「agent 自改进」可以映射到可量化的经济收益。
复现评估
**数据/代码发布**。作者已公开 100 台合成电脑 (50 Windows 风格 + 50 macOS 风格) + 500 份长时仿真的 retrospective report，数据集托管在 huggingface.co/datasets/microsoft/synthetic-computers-at-scale；代码与 skill 实现细节部分公开，但完整 pipeline (persona→user profile→filesystem plan→artifact creation→simulation) 没有完整开源，第三方复现需自行实现三段关键模块。**算力需求**。1000 台电脑 × 单次仿真 8.59 小时 wall-clock 已是相当庞大的算力开销；按 Anthropic Claude Sonnet 4.6 的 API 价格粗估，单次仿真成本在数十美元量级，1000 次仿真成本约数万美元。**复现难度**。中等偏高：(a) 需要 Claude Code SDK + Opus 4.6/Sonnet 4.6 API 访问；(b) 需要 minimax-docx/xlsx/pptx/pdf 等 Office 工具链 (作者使用 MiniMax 公开 skill)；(c) 需要 Anthropic skill-creator skill；(d) rubric 评估环节需要 LLM judge 与多轮合并逻辑；(e) 模拟同事的私有 reference files 需要让 setup agent 生成大量领域知识内容，质量上限受限于 agent 能力。**小规模复现路径**。建议先用 10 台电脑跑通全流程验证工程可行性，再扩展到 100 台做 skill extraction 测试，最后才考虑做 1000 台规模实验——与论文 Figure 7 的结论一致，规模太小反而得不到收益。
论文图表
条形图，训练电脑数从 10 → 100 → 500 → 900 时，skill-augmented vs baseline 的胜率：10 台 48% / 52% (反而落后)；100 台 64% / 36%；500 台 75% / 25%；900 台 83% / 17%。胜率随规模单调上升。
说明 skill 收益需要覆盖足够多职业才能体现，是「规模化合成电脑」这一方法论选择的核心实证支撑。