你有没有想过这样一个场景：你想训练一个AI助手帮你操作某个企业内部系统，比如报销审批平台。但这个系统压根不对外开放，你没法天天拿真实环境去跑测试，更别提让AI在里面反复试错撞南墙。
你手里唯一能用的，是一堆历史操作记录,谁点了什么按钮，系统弹出了什么提示，谁的操作失败了又是为什么。
这堆记录能不能变成一个"假的但管用"的系统，让AI在里面练手？
这正是新加坡南洋理工大学团队在论文里要解决的问题。他们给这个思路起了个名字，叫
**Trace2Env**
*轨迹到环境：一套不需要训练、只靠历史交互记录就能搭建模拟环境的框架*
说起来容易，但这里面藏着一个一般人想不到的坑。
### 当"复刻系统"行不通的时候
过去遇到这种问题，研究者的第一反应通常是硬着头皮重建系统。前面提到的Terminal-Universe项目就是这么做的,它把智能体留下的操作轨迹,"逆向工程"成一个真正能跑的终端工作空间。听起来很酷，但问题也很明显：你得知道底层依赖、接口协议、甚至一些没写进轨迹里的隐藏逻辑。这就像让你根据朋友圈里晒的几张照片，还原出朋友家里整套水电管线布局,能摸出大概样子，但真要照着施工，八成要出事。
Trace2Env团队换了个思路。他们不去重建系统本身，而是用一个语言模型去"扮演"这个系统。这个扮演者有个专门的名字：
**语言世界模型**
*Language World Model，简称LWM：用语言模型来预测"如果智能体做了某个动作，环境会返回什么样的反馈"的技术，本质上是把环境的行为模式用自然语言的方式学出来*
这个思路本身不新鲜，之前已经有团队在做。但Trace2Env的关键创新在于，它不满足于让一个模型"看一眼提示词就猜答案"，而是让这个扮演环境的模型变成一个真正的智能体,它可以主动翻资料、查记忆、做推理，然后才给出反馈。
这就引出了论文标题里最核心的那句话：能不能让一个智能体充当另一个智能体的环境？
### 问题到底难在哪里
你可能觉得，让AI模仿环境的反馈，不就是个"看图说话"的任务吗？给它看看历史记录，它照着学一下格式不就行了？
事情没这么简单。
论文里举了个特别扎心的例子：假如智能体执行了一个删除文件的操作，比如 `rm report.txt`。这个操作本身在终端里几乎不会有任何输出,敲完命令，啥反应都没有，直接跳到下一行提示符。
但问题来了。三轮对话之后，如果智能体又输入了 `cat report.txt` 想读这个文件，真实环境这时候必须报错："文件不存在"。
这个"文件已经被删了"的事实，在被删除的那一刻几乎没有任何信号透露出来，但它必须被悄悄记住，然后在后面某个时间点"兑现"。
这就是论文反复强调的
**长程状态一致性**
*Long-horizon state continuity：模拟环境必须记住早期动作造成的隐性后果，哪怕这个后果当时没有在观测里直接体现出来，也要在未来的某个时刻准确地"兑现"它*
如果你只是把所有历史对话一股脑塞进提示词，指望模型自己从几千字的文字堆里反应过来"这个文件三轮前被删了"，这就很危险。模型很可能读着读着就把这个细节漏掉了，然后在你问 `cat report.txt` 的时候，一本正经地编出一段文件内容。
这种"一本正经地胡说八道却还能让后续对话继续流畅进行"的现象，其实是最危险的失败模式。因为它看起来没出错，实际上整个交互已经偏离轨道了。
就像你问一个记忆力不太好的同事"我上周三跟你说的那份报告删了吗"，他如果诚实说"不记得了，我查查"，问题不大；但如果他为了显得靠谱，随口说"删了删了，没事"，然后你后面还真按"报告已经不存在"去做后续安排，结果哪天发现报告其实还在服务器上没删，整个流程就全乱了。这种"假装记得"比"诚实地不记得"要危险得多。
这正是传统做法容易踩的坑：把环境知识和交互历史一股脑塞进一个固定的提示词里，指望模型靠"读一遍"就抓住所有该记住的细节。
### 把"环境的说明书"拆成三层知识
Trace2Env的解法，是先把海量历史轨迹"蒸馏"成一本结构化的参考书，论文管它叫
**世界书**
*Worldbook：由离线构建阶段从历史轨迹中提炼出来的环境知识库，包含动作接口定义、具体观测证据、以及从证据中归纳出的行为规则三大部分*
这本书不是一份可执行的代码，它更像是一本"行为说明书"。里面分三个层次。
第一层叫
**模式**
*Schema：定义这个环境能接受哪些动作、每个动作需要什么参数，以及环境内部能追踪哪些状态变量,相当于给整个系统画出骨架*
比如在终端环境里，模式会规定"文件系统"这个状态字段存在，类型是什么，谁能修改它；也会列出 `cat`、`ls`、`pip install` 这些动作各自需要什么参数。这一层相当于先把游乐场的地图画出来，告诉AI这个世界里有哪些"积木"可以用。
第二层叫
**接地证据**
*Grounded evidence：直接从历史轨迹里保留下来的具体操作记录，包括动作、真实观测结果，以及提取出的候选状态变化，且这些证据的原始观测文本会被逐字保留下来*
为什么要逐字保留原始观测？因为规则和总结难免会丢信息。论文里有个很典型的案例：智能体执行了一个用heredoc写长脚本的命令（这是一种让终端连续输入多行文本的技巧），真实终端会显示一种特殊的续行提示符，每一行前面带个 `>` 符号。如果你光靠抽象规则去描述这个行为，很容易漏掉这种细枝末节的格式；但如果你把原始记录完整保留，这些细节就不会丢。
第三层叫
**归纳知识**
*Induced knowledge：从多条证据里总结出来的、可以重复使用的规律，包括条件触发的效果、状态约束、观测格式的"契约"，以及一些零散但重要的环境惯例*
这一层是真正的"抽象升级"。比如从多次成功和失败的对比里，系统可能归纳出一条规则："尝试拿起一个物品时，如果手里已经拿着东西，这个动作不会有任何效果"。这条规则一旦被验证支持，就能被反复套用到新的场景里，而不需要每次都从头翻原始记录。
这三层知识叠在一起，构成了一本完整的"环境说明书"，而且每一条规则和证据都带着
**溯源**
*Provenance：记录每一条归纳规则或证据来自哪条历史轨迹、第几轮对话，让系统可以随时回溯检查某个判断的依据是否可靠*
这就好比你去图书馆查资料，好的学术著作不会只给你结论，还会标明引用来源,这样你质疑某个说法时，能顺着脚注找到原始文献，而不是只能干瞪眼。如果没有这层溯源，系统归纳出的规则就变成了"黑箱断言"，出错了都不知道哪里出的错。
### 让"扮演环境"的AI真正像个侦探一样工作
光有一本说明书还不够，关键是怎么用。
Trace2Env设计了一个
**世界模型智能体**
*World model agent：一个专门负责"扮演环境"的AI智能体，它不是被动接收提示词然后吐出答案，而是主动调用工具去查资料、翻记忆、测试效果，然后才给出最终反馈*
这个智能体手里有一套工具，可以列出所有已知动作、查某个动作对应的规则、全文搜索知识库、读取原始证据的具体内容、查看当前状态、甚至能"空跑"一下某条规则看看效果会怎样,这整套机制有点像让一个新员工上岗前，不是干脆把全公司的规章制度打印出来让他死记硬背，而是给他一个内部检索系统，遇到具体问题现场去查、现场去验证。
死记硬背的问题在哪？如果把所有知识一次性塞进提示词，模型很容易被无关信息淹没，真正该关注的细节反而被稀释了。而让它按需查询，相当于把"记忆负担"转移成了"检索能力"，这对长程任务尤其关键,毕竟没有谁能把一本说明书倒背如流，但好的检索习惯能让你在需要的时候精准定位。
这里还有一个很巧妙的设计，叫
**适用性门控**
*Applicability Gate：给每一条从历史证据中检索出来的信息打标签，区分这条信息是可以直接套用的"支持型"证据，还是只能参考格式、不能照抄具体内容的"仅供格式参考"证据*
为什么要这么分类？因为历史轨迹来自别的任务场景，那些场景里的文件名、具体数值、路径，跟当前这局模拟任务完全没关系。如果不做区分，模型很容易把A任务里的文件名张冠李戴地搬到B任务里。这就好比你去问一个修过很多台不同型号冰箱的师傅"我这台冰箱该怎么修"，他可以告诉你"一般这类故障的检修流程是这样的"（格式参考），但绝不能说"上次我修的那台冰箱，压缩机型号是XX"（具体内容），因为那是上一台冰箱的事,型号对不上，照抄过来只会越修越坏。
有了这套机制，世界模型智能体最终会生成一个
**转移提案**
*Transition proposal：世界模型智能体对当前这一步"接下来会发生什么"的完整预判，包括状态会发生哪些具体变化，以及环境会返回什么样的观测文本*
这个提案不会直接生效，而是要先经过一道
**验证闸门**
*Validation gate：由一套固定的校验代码检查提案里的状态变化是否符合模式定义、是否有证据支持、是否违反已知的约束条件，只有通过检查的提案才会被真正提交*
这道闸门的存在很关键。它相当于给AI的"脑补"行为上了一道保险。如果AI提案里说"我把文件改名了"，但状态变量里压根没有这个文件的记录，闸门就会拦下这次提交，退回去用一个"什么都没发生"的保守方案兜底。
### 分开储存"知道什么"和"记得什么"
Trace2Env还有一个很细腻的设计，就是把"跨场景通用的知识"和"这一局模拟里特有的事实"严格分开储存。
论文给出的理由很直接：世界书里存着别的模拟任务里"猫看文件会出现怎样的终端格式"这类通用行为知识，但它绝不能暗示"这个新开的模拟局里也有这个文件"。反过来，当前这局里智能体临时创建的新文件，哪怕历史轨迹里压根没出现过，也必须被正确追踪。
所以系统维护了一个
**持久化episode工作空间**
*Persistent episode workspace：包含三块内容,固定不变的世界书、随着当前这局交互不断变化的状态记录、以及记录了这一局里发生过什么事情的episode记忆*
这三块东西的生命周期完全不同。世界书是出厂设置，永远不变；状态记录是这局游戏进行中的实时存档；episode记忆是这局游戏的完整录像带。
这种设计思路其实很像你去一个新公司上班的头一天。公司的规章制度（世界书）是固定的，不会因为你今天加入就改变；但你今天具体负责的项目进度（状态记录）是随时在变的；而你今天都跟谁开了会、聊了什么（episode记忆）则是独属于你这一天的经历，换一个人入职，这段记忆完全不共享。如果把这三者混为一谈，比如把"公司规章"和"我今天的会议记录"揣在同一个文件夹里不加区分，用的时候就很容易张冠李戴,把别人经历过的事错认成是制度规定。
论文特别强调，状态记录是"有意保留不完整"的。如果某个字段没被记录过，系统会把它标记为"未知"而不是"不存在"。这个细节看似微小，但避免了一个很严重的逻辑错误：缺失不等于否定。你没查到某个文件的记录，不代表这个文件一定不存在,它可能只是还没被观测过而已。
### 九个环境，两套考试：结果说了什么
光说设计思路漂亮没用，得看考试成绩。
研究团队在九个不同的环境上做了测试，涵盖终端操作、软件开发、安卓应用、网页浏览，还有专门的饮食管理、购物、员工福利平台，以及两个经典的文本交互游戏环境ALFWorld和SciWorld。
考试分两种。第一种叫
**单步下一观测预测**
*Next-observation prediction：给定历史交互前缀和当前要执行的动作，让模拟环境预测下一步会返回什么样的观测结果，然后用格式、事实性、一致性、真实感、整体质量这五个维度打分*
在这套考试里，Trace2Env相比最朴素的直接提示方法（论文里叫Direct Prompting），在GPT-5.6-Sol这个骨干模型上平均分从69.51提升到了
**75.94**
在DeepSeek-V4.1-Flash骨干模型上，从68.71提升到了
**75.75**
更值得一提的是，这个提升不是靠某一项指标硬撑起来的。论文里特意强调，事实性和一致性这两个维度，在全部十四种环境和模型组合里全部有提升，没有一个例外。
第二种考试更有意思，叫
**多轮交互一致性**
*Multi-turn interaction consistency：让一个任务智能体先在真实环境里完整跑一遍任务，再在模拟环境里跑一遍，然后把模拟环境里生成的那套动作，原封不动地拿到真实环境里重新执行一遍，看看成功率能保留多少*
这里引出一个关键指标，叫
**一致性比率**
*Consistency ratio，简称CR：用"模拟环境里的动作拿回真实环境执行的成功率"除以"直接在真实环境里跑的成功率"，这个值越接近1，说明模拟环境越靠得住*
结果出人意料。在ALFWorld环境里，Direct Prompting方法在模拟环境里自己跑的成功率高达97%,看起来很完美对不对？但把这批动作原封不动拿到真实环境里重跑，成功率骤降到只有
**3%**
CR值只有0.032。
而Trace2Env在模拟环境里的自评成功率反而略低一些，只有88%，但真实环境重跑的成功率高达
**85%**
CR值是0.914，几乎是前者的三十倍。
这组数据揪心的地方在于，它揭示了一个很容易被忽略的陷阱：模拟环境里跑得好看，不代表它真的靠得住。
### 一次失败的放置动作，揭开了整个故事
论文里有个具体案例特别说明问题。任务是找到两个纸巾盒，放到咖啡桌上。
智能体在某一步执行了一个真实ALFWorld并不支持的放置命令，真实环境的反应是"什么都没发生"。而使用Direct Prompting的模拟环境却直接回复"你把纸巾盒2放到咖啡桌1上了",相当于凭空承认了一个从未真正发生的动作。
智能体在这个虚假前提下继续推进，又去拿了第二个纸巾盒，再放上桌，模拟环境判定任务完成。看起来很顺畅，对吧？
但当这整套动作被搬到真实环境里重跑，结果是：第一次放置依然什么都没发生，纸巾盒2其实还在智能体手里，根本没放上桌。后面的操作全部基于一个错误的前提展开，最终奖励是0，任务彻底失败。
而Trace2Env是怎么处理这个同样的失败动作的？它正确预判了"什么都没发生"，而且持久化状态准确记住了纸巾盒2依然在智能体的背包里。智能体后续查询库存时，系统忠实地告诉它"你还拿着纸巾盒2呢"，还通过帮助菜单暴露出了一个真实有效的 `move` 命令。智能体靠这条线索成功纠正了自己的策略，最终用正确的命令完成了任务，真实环境重跑结果完全吻合，拿到了满分奖励。
这个案例的价值不在于"Trace2Env预测对了一次反馈"，而在于它展示了一整条链路：正确的局部预测，加上持久化的状态追踪，加上世界书里存着的失败场景处理知识，三者合力才能让智能体真正从错误里爬出来，而不是在错误的基础上越走越远。
这就像开车导航的时候，一个靠谱的导航系统不仅要在你走错路的那一刻告诉你"此路不通"，还要记住你现在实际在哪个路口，然后根据你的真实位置重新规划，而不是假装你已经按原计划到达了目的地，继续给你报下一段早已失效的路线。如果导航系统为了让界面看起来顺畅，硬是假装你走对了，你接下来的每一步指示都是建立在谎言之上的，越走越偏。
### 拆开来看，哪部分在真正发挥作用
研究团队做了一系列消融实验，想弄清楚到底是世界书起作用，还是智能体的主动查询行为起作用，还是两者缺一不可。
在Terminal环境的实验里，他们把世界书拆成"归纳知识"（规则、契约、注释）和"接地证据"（具体的观测记录和示范案例）两部分分别测试。结果发现，单独加入证据能带来明显提升，提升幅度是+2.45分；但单独加入归纳知识，反而让效果比只用模式定义时略有下降，降了1.12分。
这个结果乍一看有点反常，为什么"总结出来的规则"反而帮倒忙？
论文给出的解释是，归纳知识一旦脱离了具体证据的支撑，容易变成空洞的抽象规则，模型拿着这些规则却缺乏具体案例去校准，容易用错场景。但当归纳知识和具体证据搭配在一起使用时，效果立刻反转：在证据基础上叠加归纳知识，又能再提升0.69分；而在归纳知识基础上叠加证据，提升幅度更大，达到4.26分。完整的世界书，把这两层都用上，效果最好。
这个发现其实挺有启发性的。它说明"抽象规则"和"具体案例"不是谁更重要谁更次要的关系，而是互相校验、互相支撑的关系。规则告诉你"大概是这样"，证据告诉你"具体长这样"。光有规则没有案例，就像只背了法条却没读过任何判例，真遇到具体情况反而容易生搬硬套；光有案例没有规则，又容易只会死记硬背，碰到稍微变化的新场景就懵了。
此外，团队还测试了去掉"自适应查询循环"和去掉"状态追踪"分别会怎样。去掉自适应循环，分数下降1.79分；去掉状态追踪，分数下降0.97分。两者都有贡献，但自适应查询循环的贡献更大一些,这也印证了前面说的，"按需检索"这个机制本身的价值，确实比单纯"把所有东西塞进提示词"更重要。
### 用了多少历史轨迹才够用
另一个很现实的问题是：构建这套世界书，到底需要多少条历史轨迹？
论文做了一个轨迹数量的扫描实验，在Terminal环境上从5条逐步增加到36条构建轨迹。结果是用5到15条轨迹的时候，效果还不太稳定，忽高忽低；但从20条开始稳步爬升，到36条的时候分数达到66.42，而且曲线在36条的时候依然还在上升,这说明如果有更多轨迹可用，效果应该还能继续往上走。
但代价也在同步增长。构建世界书的一次性成本大致随轨迹数量线性增加。考虑到性价比，团队最终选择了20条轨迹作为Terminal环境的默认配置，作为效果和成本之间的平衡点。
这个取舍其实很现实。不是轨迹越多越好就一定去堆数量，而是要在"效果还能不能明显提升"和"构建成本值不值得"之间找一个落脚点,就像囤货，囤十斤米能撑一个月，囤一百斤米理论上能撑更久，但仓库租金、腐坏风险都在涨，到底囤多少合适，得算账。
### 跨任务的真实有效性
还有一个很关键的问题是：Trace2Env的提升，是不是只因为评测任务刚好跟构建世界书时用的轨迹"撞脸"了？如果世界书见过的任务和评测的任务是同一批，那提升可能只是死记硬背的结果，没有真正学到可泛化的知识。
团队专门把评测数据按"是否与构建轨迹任务重合"分层测试。结果显示，在Web和SWE环境上，哪怕评测任务跟构建轨迹完全没有重合，提升依然清晰存在；在Terminal环境上，GPT骨干模型下这个模式依然清晰，DeepSeek骨干模型下略弱一些。
这个结果意味着世界书归纳出来的知识，确实具备跨任务迁移的能力，不是单纯记住了某几个具体任务的答案。但同时，论文也坦诚地指出，当评测任务确实跟构建轨迹里的任务有关联覆盖的时候，效果还会进一步提升,比如在Terminal环境里，任务刚好在构建集里出现过的那部分评测样本，提升幅度能到17.86分，远超没有重合那部分的3.69分。
这说明世界书同时具备两种能力：既能提炼出跨场景通用的规律，又能在遇到相似任务时发挥更精准的匹配优势。两种能力并不矛盾，而是叠加在一起生效的。
Q&A
Q1：Trace2Env到底解决了什么问题？
A：当一个真实系统（比如某个企业内部软件或终端环境）无法直接访问或复现时，Trace2Env能利用历史交互记录，构建出一个可以模拟该系统行为的"假环境"，让AI智能体可以在这个模拟环境里训练和测试，而不需要接触真实系统本身。
Q2：Trace2Env和直接把历史记录丢给AI当提示词有什么区别？
A：区别很大。直接堆提示词容易让AI在长程交互中忘记早期动作造成的隐性后果（比如文件删除后没立即报错，但后面查询时该报错）。Trace2Env把知识结构化成世界书，并让AI主动查询、用独立的状态记录追踪变化，实验显示这样生成的动作序列拿回真实环境重跑，成功保留率能从3%提升到85%以上。
Q3：这套方法需要重新训练AI模型吗？
A：不需要。Trace2Env是一套学习无需训练的框架，它不改动模型参数，只是通过离线阶段把历史轨迹整理成结构化的世界书，再在运行时让现成的语言模型通过工具调用去查询和推理，所以可以直接套用在不同的模型骨干上。
