@huxlab: 生产级 Agent 持续学习怎么做？Replit 给出了最扎实的答案。 Replit AI 负责人 Michele Catasta（@pirroh）分享了一篇非常干的文章，讲他们在过去一年如何为 Replit Agent 构建持续学习系统…

生产级 Agent 持续学习怎么做？Replit 给出了最扎实的答案。 Replit AI 负责人 Michele Catasta（@pirroh）分享了一篇非常干的文章，讲他们在过去一年如何为 Replit Agent 构建持续学习系统。 核心观点直击当前 Agent 开发的痛点： 大多数生产环境中的 Agent 都基于闭源前沿模型（Fable 5、GPT-5.6 等），无法进行权重级微调。这意味着传统意义上的 Continual Learning 对大多数团队来说是不可行的。 但 Agent 依然可以持续变好——关键在于把改进拆成三个层面： • Model 层：受限于闭源模型，空间有限 • Harness 层：通过生产 trace 持续优化代码、工具、指令（完全可控） • Context 层：在 agent / user / org 维度做个性化（每天都在变好） Replit 的做法是把评估和改进做成了一个闭环系统： • 离线用他们自研的 ViBench（针对「vibe coding」的端到端基准）验证 • 在线通过 A/B 测试和真实用户行为验证 • 用 Telescope 对生产 trace 进行聚类，发现隐藏的失败模式 • 最后让 Agent 自己参与改进循环（读 trace → 提假设 → 改代码 → 验证 → 建议是否上线） 这套系统让他们能把生产中的真实失败，快速转化为每天可上线的改进，而不是只依赖模型更新。 如果你正在构建生产级的 AI Agent、关心如何让系统在没有模型更新的情况下持续变好，这篇文章值得认真读。里面有很多可落地的工程细节和权衡。