Datasets:

jungsanghyun
/

ko-agentic-toolcall

language:
  - ko
  - en
task_categories:
  - text-generation
tags:
  - agentic
  - tool-use
  - function-calling
  - korean
  - multi-turn
  - synthetic
size_categories:
  - 10K<n<100K
configs:
  - config_name: agentic
    data_files:
      - split: train
        path: agentic/sft.jsonl
  - config_name: agentic_meta
    data_files:
      - split: train
        path: agentic/meta.jsonl
  - config_name: dual_control
    data_files:
      - split: train
        path: dual_control/sft.jsonl
  - config_name: dual_control_meta
    data_files:
      - split: train
        path: dual_control/meta.jsonl

한국어 에이전트 도구 호출 데이터셋 (Korean Agentic Tool-Call Dataset)

한국어 중심(영어 시스템 프롬프트 혼합) 도구 호출 / 멀티턴 상담 합성 데이터셋입니다. 도구 카탈로그를 합성하고, 그 카탈로그 안에서 궤적을 만든 뒤, 프로그램 검증기로 걸러낸 통과분만 담았습니다. LLM 판정은 라벨로만 쓰고 채택 여부를 결정하지 않습니다.

11,931행 중 10,642행(89.2%)이 멀티턴입니다.

두 트랙

	`agentic`	`dual_control`
형태	단발 요청 → 도구 연쇄 (+ 후속 사용자 턴)	고객 시뮬레이터와의 상담
행	7,252	4,679
멀티턴	5,968 (82.3%)	4,674 (99.9%)
사용자 턴	1–4	2–10
도구 호출/행	4.11	2.33
행당 도구 수 (중앙값)	18	13
토큰 p50 / max	3,220 / 16,283	2,899 / 9,882

agentic은 7개 역량으로 라벨링됩니다 — single_call, chain, recover, confirm_risky, clarify, disambiguate, refuse_fabricate.

dual_control은 고객만 할 수 있는 동작이 있는 환경입니다. 에이전트는 그것을 대신 수행할 수 없고 안내만 할 수 있으며, 고객이 실제로 수행하면 공유 상태가 바뀝니다. 필요한 식별자 일부는 첫 발화에서 의도적으로 보류되어, 올바른 값으로 호출했다는 사실 자체가 "에이전트가 물었다"는 증거가 됩니다.

사용자 턴 분포

agentic       1턴 1,284   2턴   171   3턴 4,929   4턴   868
dual_control  2턴    56   3턴   246   4턴   525   5턴   570   6턴   584
              7턴   509   8턴   393   9턴   467  10턴 1,324

스키마

{track}/sft.jsonl — 학습용

{"messages": [...], "tools": [...], "category": "chain", "lang": "ko", "pair_id": "..."}

messages는 OpenAI 대화 형식입니다. assistant 턴의 tool_calls[].function.arguments는 dict이며 JSON 문자열이 아닙니다 — 채팅 템플릿이 dict를 요구하고, 문자열이면 구조 검증은 통과한 뒤 렌더에서 TypeError로 죽습니다. tool 턴이 관측을 담습니다.

{track}/meta.jsonl — 같은 행 + 계보

필드	뜻
`category`	역량 라벨 (`dual_control`은 단일)
`domain`	도구 카탈로그의 도메인
`labels`	검증기가 남긴 관측 (`goal_achieved`, `withheld_obtained`, `tool_calls` 등)
`risk_map`	도구명 → `read`/`write`/`irreversible`/`outbound`
`prompt_axes`	시스템 프롬프트 구성축 (역할·규칙형식·런타임형식·언어·주입된 시계)
`tokens`	학생 토크나이저 기준 길이
`rounds`	assistant 턴 수

stats.json에 전체 집계가 있습니다.

이 데이터가 실제로 강제하는 것

각 항목은 실측으로 잡힌 결함에 대응합니다. 통과분에는 아래가 없습니다.

날조 없음 — 호출 인자의 식별자는 그 호출 시점까지 사용자가 말했거나 도구가 돌려준 값 안에 있어야 합니다. 순서에 민감하게 검사하므로, 나중에 등장한 값이 앞선 날조를 사면하지 못합니다. 날짜·시각과 표기 차이(010-1234-5678 vs 01012345678)는 날조가 아닙니다.
자리표시자 인자 없음 — {"complaint_id": "임시로 찾은 민원 ID"} 같은 값은 제거됩니다.
내부 식별자 노출 없음 — assistant 발화에 도구명·인자명이 등장하지 않습니다. 계좌번호(account_id)가 필요합니다는 제거되고 계좌번호를 알려주시겠어요?만 남습니다.
호출 대신 예고하지 않음 — 1. 주문 목록 조회 - list_user_orders로 … 같은 계획 나열 제거.
근거 없는 완료 주장 없음 — 상태 변경 호출 없이 "변경이 완료되었습니다"라고 말하는 행 제거.
행동 목표에는 행동 — 목표가 쓰기를 요구하면 (선언된 그 도구가 아니라) 쓰기 도구를 실제로 호출해야 합니다. 조회만 하고 "다시 문의해 주세요"로 끝나는 대화는 제거됩니다.
정체 반복 없음 — 같은 인사가 되풀이되는 꼬리는 잘라냈습니다. 턴 수만 채운 대화를 막습니다.
연속 assistant 턴 없음 — 사용자 입력 없이 비서가 두 번 답하는 행이 없습니다.
템플릿 렌더 통과 — 전 행이 실제 채팅 템플릿으로 렌더됩니다 (실패 0).

경로는 강제하지 않습니다. 선언된 도구 목록을 그대로 요구하면 73%가 버려지고 가장 흔한 원인이 "다른 경로로 같은 목표 달성"이었습니다. 결함만 기각하고 나머지는 통과시킵니다.

다양성

시스템 프롬프트는 행마다 다릅니다 — 역할 6종 × 규칙 형식 4종(bullet/numbered/prose/xml) × 런타임 형식 5종(bullet/xml/markdown/yaml/inline) × 선택적 메타 필드, 그리고 주입된 시계가 2023-01~2026-12에 걸쳐 흩어져 있습니다. 시계를 고정하면 모델이 그 날짜를 암기하고, 아예 없으면 도구 결과에 무관한 날짜가 쏟아집니다.

시스템 프롬프트 언어는 한국어 65% / 영어 35%입니다. 많은 실제 환경이 사용자 언어와 무관하게 영어 시스템 프롬프트를 씁니다 — 한국어 프롬프트만으로 학습하면 "한국어 대화면 한국어 지시"를 세계에 대한 사실로 배웁니다.

호출된 도구의 위험도

agentic       read 27,397   write 1,448   outbound   484   irreversible 412
dual_control  read  5,264   outbound 3,129   write 1,229   irreversible 671

한계 — 알고 쓰십시오

위험 호출의 사전 확인이 일관되지 않습니다. 되돌릴 수 없거나 외부로 나가는 호출이 있는 행 중 **호출 전에 사용자 확인을 구한 것은 약 20%**입니다. risk_map으로 직접 필터링해서 쓰시는 것을 권합니다.
길이가 짧습니다. p50이 3,220토큰입니다. 32k 컨텍스트 학습에는 긴 카탈로그·긴 대화가 더 필요합니다.
agentic의 후속 턴은 지시어를 강제합니다 (방금 그거, 그 중에서). 턴 경계를 넘는 문맥 유지를 겨냥한 설계이며, 자기완결적인 두 번째 요청은 배제됩니다.
도구 결과는 시뮬레이션입니다. 누적 원장에 대해 순차적으로 생성되어 일관되지만, 실제 시스템의 응답이 아닙니다. 실패는 첫 호출에 의도적으로 주입된 경우가 있습니다.
합성 데이터입니다. 인물·계좌·주문번호는 전부 가상이며 실제 개인정보가 아닙니다.
라이선스는 아직 지정하지 않았습니다. 상업적 사용을 검토 중이라면 소유자에게 문의하십시오.

로드

from datasets import load_dataset

ds = load_dataset("jungsanghyun/ko-agentic-toolcall", "agentic", split="train")
dc = load_dataset("jungsanghyun/ko-agentic-toolcall", "dual_control", split="train")

# 위험 호출에 사전 확인이 있는 행만
meta = load_dataset("jungsanghyun/ko-agentic-toolcall", "agentic_meta", split="train")