工具调用型大语言模型（LLM）代理正被广泛部署在企业场景中，但要对其进行有效评估和优化，需要高质量且多样化的任务数据集。受限于隐私等因素，这类数据往往难以获取。现有的合成任务生成方法通常只产生通用任务，忽视了代理的内部状态或数据库，难以覆盖真实使用中的多样性。\
我们提出 EdgeGen，一个合成任务生成框架。它首先从代理的规格说明中抽取合规规则，然后基于这些规则在数据库层面生成旨在违背规则的边缘案例任务。将 EdgeGen 生成的任务与传统的合成数据相结合，可用于对代理进行微调（finetuning）或 harness 优化，实现全自动闭环，无需人工标注。\
在 tau2bench 航空领域的实验中，对 EdgeGen 生成的数据进行微调，使模型的平均进度提升了 2% 到 42%，而其他基线方法在部分模型上出现性能下降。针对 harness 优化，EdgeGen 相比人工策划的 harness 提升约 10%，相对基础 harness 提升约 30%（以 Gemma-4-e4b 为例）。\
点评：EdgeGen 通过规则驱动的边缘案例合成，显著提升了工具调用代理在非理想路径下的鲁棒性，为构建安全可靠的企业级 LLM 系统提供了可行的自动化方案。