intent_creator

June 12, 2026 · View on GitHub

intent_creator

Stage 1 of ISE — 4D 结构化意图构造。

Persona × Domain × Task × Complexity：在用户需求的组合空间上采样意图，让训练分布由「用户想要什么」塑造，而不是由「有哪些 API」决定。

English · 简体中文

本仓库是 ISE（Intent → Simulate → Execute）三阶段数据合成范式的 Stage 1。

🛠️ Umbrella / 总入口: https://github.com/Valiere01/ISE-Trace
⚙️ Stage 2 + 3（多轮模拟 + 真实执行）: https://github.com/NairongZheng/openclaw_gen_data
📄 论文: arXiv:2606.11520
🤗 数据集（ISETrace）: https://huggingface.co/datasets/valiere/ISETrace

概述

训练一个能干活的 OS Agent，数据要同时具备三个属性：结构化的用户意图、多轮任务委派、真实落地的工具执行。多数合成流程从 API 目录出发反推任务——任务分布因此镜像工具空间，而不是用户真正想要什么。

intent_creator 解决其中的第一个 gap。它不从工具列表反推任务，而是在四个正交维度上采样，再由 LLM 把每个结构化元组渲染成一条自然语言用户意图：

维度	含义	池子规模（本仓库 ship 的资源）
Persona	谁在提需求——角色、行业、专长、经验、沟通风格、工作场景	1,000 personas
Domain	落在哪个功能域	10 domains
Task	域内的抽象动作类型（语义锚点，非具体查询）	175 tasks
Complexity	一条意图横跨多少域、调多少任务	3 档（simple / medium / complex）

采样空间是这四个维度的组合：单是「persona × 从 175 个 task 抽 5–6 个」这一步（complex 档），量级就已超过 10¹²——长尾与跨域意图是被「采样」出来的，而不是从一张 API 列表里枚举出来的。

这套池子是 ISE 论文中构建 ISETrace 语料所用 Stage 1 的开源版本。论文里报告的最终发布规模（去重后 43,956 条意图、965 个 persona 等）见 ISE-Trace 总入口与论文；本仓库聚焦于可复现的生成流程本身。

在整条流水线中的位置

   intent_creator              openclaw_gen_data
  +-------------------+        +-------------------+        +-----------+
  | [1] Intent        | intents| [2] Simulate      |        |           |
  |                   | .jsonl | [3] Execute       |        |  ISETrace |
  | Persona x Domain  |------->| role-locked sim   |------->|  轨迹语料 |
  | x Task x Complex  |        | + real OS exec    |        |           |
  +-------------------+        +-------------------+        +-----------+
        Stage I  (本仓库)         Stage S + E                  output

Stage 1 产出一份 intents.jsonl，由 Stage 2 + 3（openclaw_gen_data）消费：用 role-locked 用户模拟器驱动多轮交互，并把每个工具调用放到真实 OS 上隔离执行。两个阶段独立运行，通过这一份 jsonl 衔接。

快速开始

git clone https://github.com/NairongZheng/intent_creator
cd intent_creator
pip install -r requirements.txt

# 配置 LLM endpoint
cp .env.example .env          # 填入 OPENAI_API_KEY 和 OPENAI_BASE_URL

# 生成意图(异步并发,推荐)
python main.py --count 1000 --max-concurrent 50 --output intents_out

这会把结构化意图边生成边追加到 intents_out/intents.jsonl,每行包含一条 natural_language_intent,以及它采样出的 domain / task / persona / complexity 与辅助 metadata。中途网络断开 / Ctrl-C,已生成的部分不会丢失。

先跑 5 条做 smoke test:

python main.py --count 5 --max-concurrent 1 --output /tmp/smoke

命令行参数

参数	说明	默认
`--count`	生成意图数量	`10`
`--output`	输出目录(写 `intents.jsonl`)	`examples_test`
`--backend`	LLM 后端:`openai` / `anthropic`	`openai`
`--max-concurrent`	最大并发请求数(=1 即串行)	`50`

模型、温度、复杂度分布等在 config.yaml 中配置(默认模型 qwen3.5-35b-a3b,复杂度分布 complex / medium / simple = 50% / 40% / 10%)。

工作原理

采样 persona — 从 1,000 人的全局画像池随机抽一个角色。
按复杂度定规模 — complexity 决定横跨几个域、抽几个 task：

Complexity Domains Tasks
simple 1 2–3
medium 2–3 3–4
complex 2–3 5–6
采样 domain / task — 在选中的域里抽抽象 task，并汇总这些 task 推荐的 tools / skills 作为辅助信号。
LLM 渲染 — 把 (persona, domains, tasks, tools, skills, complexity) 这个结构化元组交给 LLM，生成一条逻辑自洽、可执行的自然语言用户意图。task / tool / skill 是语义锚点，最终质量以 natural_language_intent 的可执行性为准。

Complexity	Domains	Tasks
simple	1	2–3
medium	2–3	3–4
complex	2–3	5–6

十个功能域

轨迹在以下 10 个功能域上采样（域定义见 domains/*.json，括号内为本仓库 ship 的 task 数）：

Domain	描述	Tasks
intelligence-core	LLM 任务、文档理解、结构化处理与推理	15
code-runtime	Python / Node.js / Bash 等运行时执行环境	18
file-io	文件读写、编辑、补丁应用、差异对比	18
source-chain	Git / GitHub / 依赖管理与开发链路	20
automation-flow	工作流编排、定时任务、UI / 节点交互	18
web-extraction	Web 搜索、网页抓取、HTTP / API 获取	16
comms-social	消息、邮件、社交平台与跨渠道沟通	17
multimedia	图像、音频、视频等多媒体生成与处理	20
agent-memory	会话管理、历史追踪、记忆检索、多代理协作	15
system-infrastructure	网络、安全、云连接、运行环境基础设施	18

Persona 池

1,000 个 persona，覆盖 47 个行业与 6 个经验层级。每个 persona 带角色、行业、专长、经验、沟通风格、工作场景等字段（schema 见 libraries/personas/personas.jsonl）。

行业分布（节选，共 47 个）：

行业	数量	行业	数量
Technology	114	Construction	76
Healthcare	96	Energy	24
Manufacturing	91	Logistics	15
Finance	89	Non-Profit	9
Retail	89	Automotive	8
Government	85	Hospitality	7
Education	80	…（其余 35 个行业）	…
Agriculture	79
Arts	76

经验层级（全部 6 档）：Senior 312 · Mid-level 283 · Expert 171 · Executive 121 · Junior 112 · Creative 1。

Tool 池

55 个工具，按来源与可见范围分层（定义见 libraries/tools/tools.jsonl，每个工具含 scope / provider / JSON-Schema 参数 / 源码 URL）：

维度	取值（数量）
scope	core (24) · external (27) · plugin (4)
provider	system (24) · clawdinators (17) · nix-steipete (10) · plugin-sdk (3) · github (1)

代表性工具（节选）：exec、process、apply_patch、read / write / edit、web_search / web_fetch、browser、git / gh、python3 / nodejs_22 / bash、curl / jq / ripgrep、ffmpeg、memory_search、cron …

Skill 池

66 个 skill，用于增强 domain / task 的表达能力（定义见 libraries/skills/skills.jsonl，可复用的 skill 资产在 libraries/skills/skills_collections/）。

代表性 skill（节选，共 66 个）：docx / pptx / xlsx / slides、pdf / pdf-text-extractor、data-analysis / chart-visualization / stock-analysis、test-driven-development / debugging-strategies / lint-and-validate、api-design-principles / aspnet-core / docker-essentials、deep-research / github-deep-research / scientific-writing、security-auditor / security-threat-model / credential-manager、torch-geometric / molecular-dynamics / astropy …

Complexity 档位

3 档，决定一条意图横跨多少域、调多少 task；默认采样分布 complex / medium / simple = 50% / 40% / 10%（在 config.yaml 中配置）。

Complexity	Domains	Tasks	默认占比
simple	1	2–3	10%
medium	2–3	3–4	40%
complex	2–3	5–6	50%

数据格式

输出意图 — `{output_dir}/intents.jsonl`

每行一个 JSON 对象：

{
  "id": "intent_abc123",
  "natural_language_intent": "I need to read the config file and update the API endpoint.",
  "domains": ["5369040a-..."],
  "tasks": ["1de493eb-..."],
  "persona_id": "4782a9ea-...",
  "tools_used": ["1909a7ae-..."],
  "skills_used": ["skill-id-1"],
  "complexity": "simple",
  "metadata": {
    "persona": { "name": "Aarav Sharma", "role": "Cloud Solutions Architect", "...": "..." },
    "domains": [
      { "name": "file-io", "selected_tasks": [{ "name": "Read File", "description": "..." }] }
    ]
  }
}

资源池 — `libraries/`

文件	内容	规模
`libraries/personas/personas.jsonl`	全局 persona 画像（角色 / 行业 / 专长 / 沟通风格 …）	1,000
`libraries/tools/tools.jsonl`	工具定义（`scope` / `provider` / JSON-Schema 参数 / 源码 URL）	55
`libraries/skills/skills.jsonl`	技能定义（增强 domain / task 表达）	66
`domains/*.json`	每文件一个 domain，含其 tasks 及 task 级推荐 tools / skills	10

字段细节（persona / tool / domain / task 的完整 schema）见 docs/architecture.md，示例见 docs/examples.md。

仓库结构

intent_creator/
├── main.py                      # 入口：采样 + LLM 渲染 + 批量导出
├── config.yaml                  # 模型 / 温度 / 复杂度分布
├── domains/                     # 10 个功能域定义（*.json）
├── libraries/
│   ├── personas/personas.jsonl  # 全局 persona 池（1,000）
│   ├── tools/tools.jsonl        # 全局 tool 池（55）
│   └── skills/                  # 全局 skill 池（66）+ skills_collections
├── src/
│   ├── models/                  # Intent / Domain / Persona / Tool / Skill 数据模型
│   ├── libraries/               # 资源加载器
│   ├── builders/                # IntentBuilder：4D 采样
│   ├── generators/              # LLM 渲染（含异步批量）
│   └── validators/              # 意图校验
├── scripts/
│   ├── gen_domain/              # 域 / 任务自动生成
│   └── gen_persona/             # persona 自动生成
└── docs/                        # 架构、示例、设计

扩展资源池

加 persona / tool / skill： 直接往对应的 libraries/**/*.jsonl 追加一行 JSON 即可，下次运行自动加载。
加 / 改 domain： 用 scripts/gen_domain/ 的脚本由 LLM 生成域定义与 tasks（详见 scripts/gen_domain/README.md）。Domain 更新频次低，通常只在 tools / skills 有重大变化时重跑。

引用

如果你使用了 ISE-Trace、ISE 范式或 ISETrace 数据集，请引用：

@misc{isetrace2026,
  title         = {From Intent to Trajectory: Execution-Grounded Multi-Turn Data Synthesis for OS Agents},
  author        = {Valiere01},
  year          = {2026},
  eprint        = {2606.11520},
  archivePrefix = {arXiv},
  primaryClass  = {cs.CL},
  url           = {https://arxiv.org/abs/2606.11520}
}

许可

本项目代码以 MIT License 发布。ISETrace 数据集单独分发，其使用条款见数据集卡片。

intent_creator

概述

在整条流水线中的位置

快速开始

命令行参数

工作原理

十个功能域

Persona 池

Tool 池

Skill 池

Complexity 档位

数据格式

输出意图 — {output_dir}/intents.jsonl

资源池 — libraries/

仓库结构

扩展资源池

引用

许可

输出意图 — `{output_dir}/intents.jsonl`

资源池 — `libraries/`