只用数百条数据，编程智能体性能暴涨63%

过去训练一个能写代码、修bug的AI智能体，得像攒考研资料一样，堆几十万条标注数据、几百万行代码案例——成本高不说，里面还混着大量无效的重复尝试、无意义的日志输出，就像在一堆碎纸里找有用的笔记。但2026年春天，有团队把这个逻辑彻底拧过来了：他们只用了不到1000条精选数据，就让AI在代码修复任务上的性能暴涨了63%。这不是靠堆更大的模型，而是靠一套能从海量垃圾里精准淘出黄金的筛选机制。

先筛掉90%的垃圾：粗到精的淘金流水线

你可以把AI训练数据想象成刚从河里捞上来的金沙——大部分是泥沙，只有零星的金粒。过去的做法是把整筐泥沙都倒进熔炉，费力还炼不出多少纯金；而这套名为STITCH的框架，先做了两道精准筛选。

第一道是「粗筛」：用一个轻量的逻辑回归模型当「淘金筛子」，先看轨迹的统计特征——比如代码修改行数够不够多、工具调用成功率高不高、有没有反复犯同样的错误——几秒钟就能把那些全程瞎忙活、最后啥也没做成的无效轨迹扔出去。这一步能快速砍掉90%以上的低质量数据，把后续要处理的量压缩到原来的十分之一。

第二道是「精拣」：过了粗筛的候选轨迹，还要接受大语言模型的「显微镜检查」。但智能体的工作轨迹动辄几千个Token，大模型的上下文窗口装不下怎么办？研究者设计了「安全分割点」——比如每次工具调用结束、收到新反馈的节点，把长轨迹切成一个个语义完整的小块，再用「滑动记忆」传递上下文：每看完一块，就生成一段「前情提要」给下一块，保证不会断了逻辑链。最后把所有小块里最有价值的片段——比如关键的bug定位、精准的代码修复步骤——挑出来，组成最终的训练数据集。

不是数据越多越好，是信号密度越高越好

这套方法的核心逻辑，是颠覆了AI训练的「规模迷信」。过去行业默认「数据越多模型越强」，但实际上，当数据里的噪声超过有效信号时，模型反而会被带偏——就像你背单词时混进一半错词，越背越乱。

STITCH的思路来自数学推理领域的LIMO研究：给模型看几百条逻辑严谨的解题步骤，比塞给它一万条凑数的题目效果更好。研究者把这个逻辑搬到了编程智能体上，发现只要基座模型已经具备基础的代码理解能力，少量高信号密度的数据就能「唤醒」它的潜力——那些关键的决策片段，就像给模型点透了「解题思路」，剩下的它自己就能举一反三。

实验数据最有说服力：在Python代码修复基准测试中，用不到1000条STITCH筛选的数据微调后，大模型的修复成功率从28.66%跳到了46.77%；在鸿蒙系统的ArkTS语言场景下，编译通过率直接从原来的水平提升了43%，连生成的界面都从粗糙的原型变成了符合规范的布局。而这一切，只需要传统训练数据量的几十分之一。

它不是万能药，还有三道门槛

当然，STITCH也不是能解决所有问题的银弹。它的生效有三个前提：首先，基座模型本身得有足够的基础能力——如果一个模型连基本的代码语法都搞不懂，再优质的数据也救不了；其次，它目前只在编程智能体场景验证了效果，能不能推广到机器人控制、通用工具使用等其他智能体任务，还需要更多实验；最后，虽然筛选后的数据量少了，但精拣阶段需要调用大语言模型做语义分析，计算成本并没有完全消失，只是把成本从「数据采集」转移到了「数据筛选」上。

还有一个隐藏的局限：论文里用到的高质量原始轨迹，还是来自真实的GitHub问题和修复记录——如果某个领域没有这么多现成的高质量数据，这套方法的效果也会打折扣。未来要解决的，可能是如何自动生成高信号密度的训练数据，而不仅仅是筛选。

当大模型的参数规模逐渐摸到天花板，行业终于开始把目光从「堆规模」转向「提效率」。STITCH的意义，不在于它让某个模型的性能提升了多少，而在于它证明了：AI训练的未来，可能不是比谁的数据更多、模型更大，而是比谁更懂怎么用好数据。

「数据的价值不在数量，而在密度。」这句话正在从实验室的假说，变成能落地的工程方法。也许再过几年，当我们训练AI时，首先想到的不是「去哪找更多数据」，而是「怎么把手里的数据用到极致」。