一句话定义：Agentic Data（智能体数据）是记录 AI 智能体在多轮任务中“看到什么、做了什么、环境怎么变、结果如何”的轨迹数据，用来训练和评估它完成长时程任务。
为什么需要它：传统训练数据更像问答卡片：问一句，答一句。但终端智能体（terminal agent）要在一个真实或模拟的命令行环境里干活，例如“修复构建失败并提交补丁”。它得先查看文件、运行命令、读报错、改代码、再跑测试。中间可能几十步，文件系统、依赖、进程状态都在变。只给最终答案，模型学不会过程；只奖励“成功”，也分不清哪一步关键、哪一步闯祸。
打个比方：教人做菜，菜谱数据只告诉你要放盐；智能体数据像全程录像，记录火候、下锅顺序、尝味、补救，最后菜是否合格。终端智能体更像驾校教练：不仅要到终点，还要看有没有压线、熄火、乱打方向。
关键特征：
- 多轮工具调用：shell、文件读写、浏览器、API 等，动作和观察交替。
- 状态变化：每个动作都会改变环境状态，轨迹要能快照、回放、复现。
- 轨迹级监督（trajectory-level supervision）：不只监督最终答案，还监督每一步是否合法、是否推进目标、错误能否恢复、结果是否可验证。
和相邻概念的区别：
| 维度 | 微调">指令微调数据 | 偏好数据 | 智能体数据 |
|---|---|---|---|
| 形态 | 输入-输出对 | 两两回答比较 | 状态-动作-观察序列 |
| 时间跨度 | 单步/短 | 单步 | 多轮、长时程 |
| 环境 | 通常无 | 通常无 | 有工具与状态 |
| 监督 | 答案文本 | 哪个更好 | 每步+结果+状态 |
实际意义：做智能体的人，要把数据工程从“造问答”升级为“造轨迹”：设计沙箱、任务生成、验证器和回放格式，重视失败与恢复案例。普通职场人评估智能体时，也别只问“答对了吗”，要看过程是否靠谱：有没有乱删文件、反复卡住、假报成功。具体工具和实现细节，以官方页面为准。