تتطلب وكلاء الذكاء الاصطناعي مجموعات بيانات من سلاسل استخدام الأدوات لتعلم أتمتة المهام في العالم الحقيقي. استخدمت الطرق السابقة مناهج الاستعلام أولاً مع وكلاء البحث في العمق (DFS) لإنشاء بيانات Synthetic، لكن هذا غير فعال بسبب الاستكشاف المعقد. في "Toolgrad: إنشاء مجموعات بيانات استخدام الأدوات بكفاءة مع نصوص 'Gradients'"، المقدمة في ACL 2026، يُقدم باحثو منهجية الإجابة أولاً: Generate a ground-truth tool-use chain firstly، ثم annotate its corresponding user prompt. هذا يقلل من الغموض ويحتاج إلى خطوة LLM واحدة لكل عينة. ToolGrad مفهوم النصوص gradient—الذي في الأصل تم استخدامه في هندسة المطوَّب—to iteratively construct valid API workflows. يتضمن الإطار أربعة Modules: API Proposer (يقتصر على المرشحين)، API Executors (تختبر APIs بالتوازي)، API Selector (أفضل API يختار via textual gradient feedback)، و LLM Updater (الاستعلام والردود Synthetic refines). باستخدام تجارب Tool Bench's 16k+ APIs الحقيقية، يظهر ToolGrad أنه بيانات استخدام أدوات أكثر تعقيدًا وطولًا مع معدلات مرور أعلى وتكلفة أقل من طرق DFS. LLMs trained on ToolGrad البيانات تتفوق على النماذج الأساسية وتطابق LLMs الملكية على مجموعات بيانات out-of-distribution (OOD) مع أدوات غير Seen، مما يُظهر تعميمًا أفضل وكفاءة أعلى في إنشاء بيانات Synthetic لوكيل الذكاء الاصطناعي.