知晓未知：通过演化生成空间实现闭环学习的智能体数据合成

基于摘要分析。本文研究交互式智能体的合成经验如何针对当前学习者产生学习价值，提出 EvoSyn：以学习反馈驱动的多智能体框架，通过修订生成空间，将智能体暴露的弱点转化为后续经验合成的控制因素与投入方向。 其核心问题是“反馈到决策的鸿沟”：环境反馈、数据验证或学习者失败能够揭示不足，却不直接说明下一轮应如何合成数据，也不能保证现有生成空间能够表达所需交互因素。EvoSyn 用可修订状态描述可主动生成的交互因素及合成资源分配；角色分工的多智能体系统负责将反馈转为修订，Designer 分配合成方向，Planner 将其落实为可执行经验。框架同时支持在现有空间内补足薄弱或覆盖不足的区域，以及把新发现因素提升为显式生成控制项，从而扩展生成空间。 作者报告，在 τ²-Bench 和 CAR-Bench 的实验中，EvoSyn 相比最强合成基线的平均任务成功率提高 13.3 个百分点，并生成质量更高、结构覆盖更广的合成经验，发现缺少学习者反馈时未被识别的可控因素。摘要未给出基线名称、两个基准的分项结果、平均方式、训练与评估划分，以及合成质量和结构广度的具体指标，因此该收益不能外推至其他任务或协议。实验协议、消融及统计信息尚未验证。 该研究的主要对象是大语言模型交互式智能体，而非 EEG 解码或 BCI。摘要未提供神经信号数据结构、监督方式与生成因素之间的具体对应关系，不据此推断其具有 EEG/BCI 效果；相关 EEG 工作尚未检索确认。复现需进一步核对学习者与合成智能体配置、反馈表示、生成空间更新规则、环境交互预算及数据验证流程。