आईए एजेंट्स को असली दुनिया के कार्य स्वचालन सीखने के लिए टूल-चेन के डेटासेट की आवश्यकता होती है। पुराने तरीकों ने प्रश्न-प्रथम दृष्टिकोण के साथ गहराई-प्रथम खोज (DFS) एजेंट्स का इस्तेमाल किया था ताकि人工データ generate किया जा सके, लेकिन यह जटिल अन्वेषण के कारण अक्षम है। 'Toolgrad: कुशल उपकरण-उपयोग डेटा जनरेशन के साथ टेक्स्टुअल 'ग्रेडिएंट्स' में, शोधकर्ताओं ने एक उत्तर-पहला paradigm पेश किया है: सबसे पहले एक सत्य ground-truth tool-use chain जनरेट करें, फिर उसके corresponding user prompt का annotation करें। इससे अस्पष्टता कम होती है और प्रति sample केवल एक LLM कदम की आवश्यकता होती है। ToolGrad ने टेक्स्टुअल ग्रेडिएंट्स की अवधारणा को प्रॉम्प्ट इंजीनियरिंग में इस्तेमाल किया गया है, को iteratively valid API workflows का निर्माण करने के लिए अनुकूलित किया है। ढांचे में चार मॉड्यूल शामिल हैं: API Proposer (उम्मीदवार सीमित करता है), API Executors (APIs parallel में test करता है), API Selector (टेक्स्टुअल gradient feedback के माध्यम से best API चुनता है), और LLM Updater (人工 synthesized query और response को परिष्कृत करता है)। Tool Bench के 16k+ असली दुनिया के APIs के उपयोग से प्रयोगों से पता चलता है कि ToolGrad, DFS-आधारित तरीकों की तुलना में, अधिक जटिल, long-horizon tool-use data with higher pass rates और lower cost generate करता है। ToolGrad पर प्रशिक्षित LLMs baseline-trained models को outperforms करते हैं और असु tools के साथ out-of-distribution (OOD) datasets पर proprietary LLMs के साथ मिलते जुलते हैं, एजेंटिक AI के लिए人工データ जनरेशन में श्रेष्ठ सामान्यीकरण और दक्षता का प्रदर्शन करते हैं।