大型語言模型（LLM）在通用自然語言處理任務中展現了卓越的性能，但面對專業領域時，由於缺乏高質量、領域特定的訓練數據，其表現常常不盡如人意。現有的基於LLM的數據策劃方法大多依賴於人工設計的流程，這些流程雖然有效，但需要大量的專家知識和手動調整，限制了自動化和可擴展性。針對這一挑戰，一篇新的研究論文正式定義了“自主代理數據工程”（Autonomous Agentic Data Engineering）這一新任務，旨在評估LLM作為自主數據工程師的能力，通過端到端的數據策劃來驅動模型專業化。
該研究將數據視為一個可優化的組件，並設計了一種智能代理，能夠自主規劃、生成和迭代優化多個領域的訓練數據，其優化目標直接指向訓練後的性能提升。與傳統的靜態數據策劃不同，這種代理驅動的數據適應過程是動態和自適應的，能夠根據模型反饋不斷調整訓練數據，從而實現更高效的模型專業化。
實驗結果顯示，自主LLM數據工程師帶來了顯著的性能提升。具體而言，使用GPT-5.2作為基礎模型，通過構建迭代式的代理驅動訓練課程，將一個小型學生模型的性能提升了驚人的57.29%。這一改進完全是通過自動化的、代理驅動的數據適應實現的，無需人工干預或手動數據工程。研究不僅展示了這一方法的巨大潛力，也揭示了當前存在的一些瓶頸，例如代理的規劃效率、數據生成的多樣性以及迭代優化的收斂性等問題。
這項研究將自主數據工程確立為一種可測量的能力，併為未來代理驅動的模型專業化指明瞭方向。它表明，通過賦予LLM自主執行數據工程任務的能力，可以顯著簡化模型適應專業領域的流程，減少對人力的依賴。作者計劃在GitHub上發佈相關代碼，以促進該領域的進一步研究和發展。