现有 MCP 环境扩增多是“先编数据库和场景、再推出工具和任务”，结果工具接口和真实的对不上、工具组合没经过执行。ToolSpace 反过来做：用确定性规则（不靠大模型判断）从真实 MCP 服务和开源智能体轨迹的相邻调用里挖出数据、状态、重试三类依赖，建成带权的工具组合图并聚类成环境；只给会改状态的环境合成数据库，查询类和无状态工具回放录下的返回值；再做带回滚的状态感知随机游走，把每条调用链反编译成带断言检查的自然语言任务，只保留从初始状态能重放成功的样本。
点赞 34 · 代码星数 28
理由
- 作者称在七个长任务工具基准上，Qwen3.6-35B-A3B 平均分从 23.0 升到 41.0（再加 RL 到 43.2），GLM-5.2 从 44.6 升到 56.6、与 Claude Opus 5 相当；消融显示“执行中见过的依赖边”明显好于大模型判断出的边，数据和环境越多分数越高。
- 同一流程把 AutomationBench 和 tau3-Bench Banking 做成更难的 Pro 版，作者称 7 个前沿模型最多掉 38.2 分；仓库放出 AutomationBench Pro 和 Tau3 Banking Pro 的任务包和评测脚本。
- 权重齐：抱脸 dongguanting/ToolSpace-8B（MIT）、ToolSpace-35B-A3B（SFT + 智能体 RL，Apache-2.0）、ToolSpace-744B-A40B（GLM-5.2 底座，只做 SFT，MIT）；抱脸当日点赞 34、代码星数 28（只代表关注度）。
用法
- 离线体验合成流程（不需要 API Key）：cd Tool-Space && uv sync --locked，uv run python run_pipeline.py demo --output outputs/demo，再 uv run python run_pipeline.py verify --tasks outputs/demo/tasks；环境执行和重放是真的，模型回复用固定样例。
- 部署模型（模型卡示例，4 卡、64K 窗口）：vllm serve dongguanting/ToolSpace-35B-A3B --tensor-parallel-size 4 --max-model-len 65536 --enable-auto-tool-choice --tool-call-parser qwen3_xml --reasoning-parser qwen3。
- 评测：cp benchmark/.env.example benchmark/.env 填被测模型地址，cd benchmark && bash setup_all.sh，再 SCOPE=smoke RUN_NAME=my-model-smoke bash AutomationBench/run.sh 冒烟测试；Pro 版在 Automation-Pro/ 下用 evaluate.py validate / run。
风险
- 默认在线评测要第三方中转服务 Boyue 的 API Key（用户模拟器、检索和评审模型），另要 Serper / SerpAPI 和抱脸 token；可以换成别的 OpenAI 兼容服务，但要自己配置。
- 公开版只拿 AutomationBench 做示例（47 个服务、758 个接口），论文里完整的工具图没放；README 写明论文描述 600 道 AutomationBench Pro，公开包只有 300 道冻结任务。
- 仓库根目录没有 LICENSE 文件，README 只说第三方组件各自保留许可；三个检查点许可证不同，分数均为作者报告。