Lord1Egypt Bug Data Generator
将 BUG 描述转换为可用的训练指令序列。
工作流
用户: BUG描述 + 错误原因
↓
Agent: 分析 BUG → 确定工具 + 生成用户指令列表
↓
用户: 审核指令列表（可修改/补充/删除）
↓
用户: 确认 "没问题，生成数据"
↓
调用 data-generator → 输出 JSONL（新格式）
第一步：分析 BUG
输入以下信息，自动推断：
| 字段 | 说明 | 示例 |
|---|---|---|
| BUG 描述 | 用户的实际指令 + 系统的错误行为 | "用户说X分钟后开空调，系统却立即执行" |
| 错误原因 | 为什么错 + 正确工具 | "调用了 dev_control 而应该调用 scene_generator" |
第二步：生成指令列表
输出内容：
工具: scene_generator
用户指令列表:
1. 5分钟后打开空调
2. 3分钟后关灯
3. 10分钟后开启空气净化器
...（共 N 条）
发送给用户确认，等待回复。
第三步：用户修改指令
用户可直接回复修改意见：
- "把第3条改成
20分钟后打开加湿器" - "删除第5条"
- "补充5条延时类指令"
- "指令没问题，生成数据"
第四步：调用 data-generator
收到确认后，使用最终版指令列表，调用 data-generator v2.0.0（新格式）：
输入参数：
tool_name: scene_generator
user_instructions: [确认后的完整列表]
输出 JSONL（新格式）：
{
"conversations": [
{"from": "human", "value": "<当前用户指令>5分钟后打开空调</当前用户指令>\n<本地设备>舒享家(空调)</本地设备>\n<当前时间>2026-03-21 20:00:00</当前时间>\n<用户场景列表>[...]</用户场景列表>\n<用户设备列表>{...}</用户设备列表>"},
{"from": "assistant", "value": "<tool_call>{\"tool_name\":\"scene_generator\",\"query\":\"...\"}</tool_call>"},
{"from": "observation", "value": "<tool_response>场景创建成功。</tool_response>"},
{"from": "assistant", "value": "好的，5分钟后准时执行~"}
],
"system": "",
"history": []
}
格式规则（新格式）
conversations[0].value= 完整上下文（<当前用户指令>+<本地设备>+<当前时间>+<用户场景列表>+<用户设备列表>）conversations[1].value= tool_call，无垫音前缀conversations[2].value=<tool_response>...</tool_response>conversations[3].value= 终接回复，无垫音前缀system = ""，history = []
指令模板参考
生成时可参考以下模板类型：
| 类型 | 模板示例 |
|---|---|
| 延时-分钟 | {N}分钟后打开{D} |
| 延时-秒 | {N}秒后关闭{D} |
| 延时-小时 | {H}小时后开{D} |
| 定时-今天 | 今天{H}点打开{D} |
| 定时-明天 | 明天{H}点关{D} |
| 循环-每天 | 每天{H}点打开{D} |
| 设备开关 | 打开{D}、把{D}关闭 |
输出格式（第一步）
{
"tool_name": "scene_generator",
"instruction_count": 20,
"instructions": [
{"id": 1, "text": "5分钟后打开空调", "type": "延时-分钟"},
{"id": 2, "text": "3分钟后关灯", "type": "延时-分钟"}
],
"note": "以上为由 AI 根据 BUG 分析生成的指令列表，请审核或修改后确认，确认后调用 data-generator 生成 JSONL。"
}
注意
- 不依赖 data-generator 内部实现：仅输出中间产物（工具名 + 指令列表）
- 可迭代：用户可多轮修改指令，直到满意再生成
- data-generator 升级时，bug-data-generator 无需更新