Generación de datos sintéticos sin entorno para agentes de API | Entrenamiento de agentes para uso de herramientas mediante simulación generativa | Escalado de capacidades de llamadas a funciones en LLMs sin dependencias de infraestructura real

Abstract

PROBLEMA: Escalar agentes capaces de llamar a APIs requiere enormes cantidades de datos de entrenamiento que normalmente dependen de entornos reales lentos y costosos de configurar. SOLUCIÓN: Este trabajo de Apple propone un método de generación de datos sintéticos libre de entorno, permitiendo crear escenarios complejos de interacción con APIs de forma puramente generativa. METODOLOGÍA: El sistema utiliza un LLM "maestro" para simular tanto la documentación de la API como los estados de retorno, generando pares de instrucción-acción coherentes. RESULTADOS: Los modelos entrenados con estos datos sintéticos mostraron un rendimiento comparable a los entrenados con trazas reales en benchmarks de ToolBench. RELEVANCIA: Facilita el desarrollo rápido de agentes especializados en tareas de automatización sin necesidad de infraestructuras de backend masivas.