混元-面向 Agentic Coding 的高质量训练数据挖掘与构建研究

课题背景： 现有代码预训练数据以静态代码为主，缺乏 Agentic Coding 所需的交互轨迹、执行反馈与多轮决策链。这一数据层面的结构性缺失，是制约开源 Coding Agent 能力提升的核心瓶颈。 课题挑战： 构建 Agentic Coding 训练数据面临三重挑战：真实交互轨迹难以大规模获取；合成轨迹的正确性验证成本高；任务类型、编程语言与仓库规模的分布差异大，难以兼顾覆盖度与质量均衡。 具体工作：

1. 01

   数据来源挖掘：从 GitHub Issue、PR、Commit 历史及 CI/CD 执行日志中挖掘真实 Bug 修复轨迹，提取带有可验证执行反馈的高质量任务实例；

2. 02

   轨迹数据合成与质量控制：构建解题轨迹，通过代码执行沙箱验证正确性，并从冗长探索轨迹中提炼关键决策步骤，构建面向过程的质量评估信号；

3. 03

   数据多样性与覆盖度设计：覆盖 Bug Fix、Feature Implementation、Test Generation 等多类任务类型，兼顾多语言与多仓库规模，以保障训练数据的任务分布均衡性。

1. 01

   计算机/软件工程等相关专业硕士以上学历，拥有博士学位者优先，熟悉python/c++编程语言，熟练掌握大数据技术栈，包括Hadoop/Spark等；

2. 02

   深入理解大语言模型预训练原理、预训练目标及数据构建流程，拥有发表顶会论文、大模型研究工作、知名竞赛获奖、顶级研究机构或一线互联网工作经验者优先。 此课题同时招聘应届实习生和低年级实习生。