ru-dataset/agent-think-tool_use

Agent Think Tool Use

Датасет многошаговых агентных сессий для дообучения моделей работе с кодом, инструментами и инженерными задачами. Записи содержат пользовательские требования, комментарии агента во время работы, decision summaries, вызовы инструментов, результаты запусков, обработку ошибок и финальную проверку.

Каждый shard представляет отдельную связанную сессию, а не отдельный вопрос и ответ. Данные охватывают исследование задачи, работу с документацией, проектирование, изменения файлов, тестирование, диагностику, recovery и передачу результата.

Формат

JSONL, одна строка — одна запись трейса:

{
  "id": "session-id:rec-0001",
  "type": "message",
  "observed_at": "2026-09-02T10:30:00+05:00",
  "payload": {
    "role": "assistant",
    "channel": "commentary",
    "content": [{"type": "text", "text": "..."}],
    "metadata": {
      "session_id": "session-id",
      "state": "researching",
      "tags": ["commentary", "progress"]
    }
  }
}

Типы записей

Тип	Описание
message	system, user, assistant commentary или final
reasoning	decision summary с обоснованием решения и ограничениями
function_call	вызов инструмента
custom_tool_call	расширенный вызов инструмента
function_call_output	наблюдаемый результат инструмента
turn_context	контекст сессии, state machine, quality и артефактами

Статистика корпуса

Расчёт выполнен по 450 shard-файлам train-*.jsonl из p1, p2 и p3 после очистки зацикленных траекторий. Всего: 55 726 записей и 150 440 831 байт.

Тип	Записей	Доля
message	23 596	42.342892%
reasoning	9 824	17.629114%
function_call_output	10 928	19.610236%
function_call	8 514	15.278326%
custom_tool_call	2 414	4.331910%
turn_context	450	0.807523%
Всего	55 726	100.000000%

Разбивка по наборам

Набор	Shards	Записей	Размер, байт	Минимальный shard	Максимальный shard
agent-date-p1	150	28 308	95 463 626	172 267	1 851 437
agent-date-p2	150	11 965	25 223 199	148 358	192 173
agent-date-p3	150	15 453	29 754 006	172 561	215 568
Всего	450	55 726	150 440 831	—	—

В корпусе 10 928 пар вызова и результата инструмента: 8 514 обычных function_call и 2 414 custom_tool_call. Среди результатов 10 421 завершились с exit_code=0, а 507 содержат наблюдаемый диагностический exit_code=1 с последующим recovery-сценарием.

Каждый analysis_summary содержит reasoning_summary, decision, content и evidence. В результатах инструментов сохраняются tool_call_id, source, observed_at, command, stdout, stderr, exit_code и output.

Инструменты агента

• shell.exec — выполнение команд и тестов;
• patch.apply — точечное изменение файлов;
• web.search_query — поиск технической документации;
• web.open — открытие найденного источника;
• web.find — поиск конкретного правила или фрагмента на странице.

Рабочий цикл

Траектории включают уточнение контракта, исследование источников, проектирование, реализацию, проверку, анализ ошибок, исправление и финальную верификацию. Ненулевые exit_code сохраняются только в наблюдаемых диагностических результатах; успешный локальный запуск не трактуется как доказательство непроверенных production-свойств.

Тематика

Языки: Python, Rust, Go, TypeScript, Java, C++, C#, Kotlin, Swift, Scala, Elixir, Haskell, Lua, Dart, PHP, Ruby, Perl, Zig, Nim, Julia, R, OCaml, Clojure, Crystal и другие.

Инфраструктура: Kubernetes, Terraform, Helm, Ansible, Vault, Consul, Pulumi, Nomad, CI/CD и контейнеризация.

Базы данных: PostgreSQL, MongoDB, Cassandra, Redis, ClickHouse, DuckDB, Neo4j, MySQL, ScyllaDB и другие.

Стриминг и очереди: Kafka, RabbitMQ, NATS, Pulsar, Redpanda, Flink, Spark и Airflow.

Специализированные темы: CUDA, WebAssembly, WebRTC, WebAuthn, SBOM, GraphQL, gRPC, сетевые протоколы, observability, безопасность и обработка событий.

Структура репозитория

agent-date-p1/
  train-00001-of-00150.jsonl
  ...
  train-00150-of-00150.jsonl
agent-date-p2/
  train-00001-of-00150.jsonl
  ...
  train-00150-of-00150.jsonl
agent-date-p3/
  train-00001-of-00150.jsonl
  ...
  train-00150-of-00150.jsonl
README.md

Всего опубликовано 450 shard-файлов: по 150 в каждом наборе. Файлы имеют последовательные имена и содержат только JSONL-трейсы.

Использование

from datasets import load_dataset

dataset = load_dataset("ru-dataset/agent-think-tool_use")
print(dataset)

Для локальной загрузки:

from datasets import load_dataset

dataset = load_dataset(
    "json",
    data_files={
        "train": [
            "agent-date-p1/*.jsonl",
            "agent-date-p2/*.jsonl",
            "agent-date-p3/*.jsonl",
        ]
    },
)

Подходит для

Задача	Поддержка
Supervised Fine-Tuning (SFT)	Да
Tool use и function calling	Да
Многошаговые инженерные диалоги	Да
Работа с кодом и проектными файлами	Да
Failure analysis и recovery	Да
Reasoning summaries и decision tracking	Да
RLHF / DPO	Требуется дополнительная разметка предпочтений

Лицензия

Apache-2.0