CLiF 发布：全栈轨迹的持续学习（阅读约 8 分钟）

# 推出 CLiF：基于全栈轨迹的持续学习 来源：https://www.copilotkit.ai/blog/introducing-clif 我们今天正式推出 [CLiF](https://go.copilotkit.ai/clif-page)——基于全栈轨迹的持续学习（Continual Learning from Full-Stack Trajectories），现已开放早期体验！ CLiF 将客户和员工已经在你的产品中完成的工作，转化为你的 Agent 在生产环境中可靠完成相同工作所需的技能（Skills）、评测（Evals）和微调数据。它完全支持自托管，所有产出均可自由导出。 你的 Agent 此前已经可以在 [CopilotKit Intelligence](https://www.copilotkit.ai/copilotkit-intelligence) 中从自身的对话中学习。CLiF 现在通过 AG-UI 协议，安全地捕获工作的两侧——Agent 轨迹与用户操作。 想了解 CLiF 能为你的产品带来什么，[预约演示](https://go.copilotkit.ai/clif-page)，我们的工程师将在你的实际场景上现场演示。 下面是我们的设计初衷，以及为什么每个 Agent 产品都需要全栈轨迹。 ## 为什么 Agent 在进入生产环境前停滞不前 像 Claude 和 Codex 这样的 Agent 现在已经可以独立承担完整的任务。你的用户希望在你的产品中获得同样的体验——无论是通过内置 Agent，还是他们接入的任何外部 Agent。 但即使是使用 Fable 和 Astra 等顶级模型的 Agent，也很难在你的产品中以足够的稳定性、合理的成本和速度持续完成复杂的端到端任务，达到可以上线部署的水平。 在大规模发布 Agent 的公司中，模式大同小异：你为最重要的流程手动生成数千条评测用例，然后逐步改进 Agent，直到它通过足够多的用例才能上线。 这项工作又慢又昂贵： - **提示词（Prompts）**随着每个边缘情况不断膨胀。 - **框架（Harness）**代码堆满了特例：硬编码的步骤顺序、额外的检查、自定义重试逻辑。 - **记忆（Memory）**随着每次对话不断累积，而 Agent 无法分辨哪些内容真正重要。 - **微调（Fine-tuning）**总是排在最后，甚至根本不做，因为难以收集到正确的数据。 即使在上线之后，用户仍然需要不断引导 Agent——指导它、纠正它、补充它遗漏的上下文。然后下一次对话开始，它又需要同样的帮助。 与此同时，每天使用你的产品的人，恰恰在做着这些工作。 ## 你的用户已经在你的产品中完成了这些工作 你的客户和员工已经清楚地知道该采取哪些操作、以什么顺序来完成任务——他们已经做过成百上千次。而你的 Agent 却需要从提示词、技能和数百个工具及 API 中推断出这一切，所以它只能猜测、重试，或者把任务交还给用户。 > 假设你在运营一个客服平台。客服人员收到一个工单："我被重复扣费了。"他们查看套餐计划，找到重复扣款，然后因为客户是年费套餐，他们选择发放账户余额而不是退款——这是他们团队的一贯做法。没有任何文档或提示词写明了这一点。 你可以把这条规则加到提示词里。但类似的规则有数百条，你只能在 Agent 犯错时才能发现遗漏了哪些。 产品已经为看仪表盘的人记录了点击、漏斗和会话回放。但要教会 Agent 这项工作，你需要的是轨迹——在工作发生时被安全捕获的完整记录：无论是人还是 Agent，完成一项任务所采取的每一步操作。 在你的产品中，这就是产品轨迹：支撑一个任务的每一次点击、每一次 API 调用和每一段 Agent 对话。 通过产品轨迹： - 你的 Agent 每天都能从客户和员工的实际工作方式中持续改进。 - 出现频率最高的问题会优先得到修复。 - 在 Agent 使用任何变更之前，你都可以先进行审批。 手工处理的话，你每天只能做一两个修复，而且通常是在客户已经投诉之后。使用产品轨迹的团队可以在前两周内看到重复性任务的显著减少，降幅高达 80%。 ## 基于全栈轨迹的持续学习 [CLiF](https://www.copilotkit.ai/clif) 是 [CopilotKit Intelligence](https://www.copilotkit.ai/copilotkit-intelligence) 的一部分，通过 [AG-UI（Agent-User Interaction Protocol）](https://github.com/ag-ui-protocol/ag-ui) 捕获的全栈轨迹进行学习。AG-UI 是一个开放协议，用于将 Agent 连接到面向用户的应用，得到了 Google、Microsoft、Amazon 以及大多数生态系统的支持。 AG-UI 位于你的 Agent 和用户之间的任何界面上，因此它能同时看到工作的两侧： - **Agent 轨迹（agent trace）：** Agent 每一次运行、每一次工具调用和状态变更，以及它返回了什么。 - **产品轨迹（user actions）：** 用户屏幕上的内容、他们点击的按钮，以及他们触发的服务器请求。 两者合在一起，就构成了一条全栈轨迹。 由于基于 AG-UI 运行，CLiF 可以与任何 Agent 框架和底层模型配合使用，无论你的 Agent 是部署在 Web 应用、移动端、Slack 还是 Teams 中。 CLiF 会定期审查新的轨迹并发现模式，包括人们默默绕过的那些"痛点"。这些痛点通常会在数千次会话中反复出现，明确告诉你的 Agent 下一步该学什么。 CLiF 将这些模式转化为待审批的技能建议，一旦你批准，它们就能无需重新部署即可送达你的 Agent。 技能是起点。在此之上，我们希望每个团队都能掌握完整的循环： 1. 将每一次 Agent 和用户操作安全地捕获为轨迹。 2. 使用 Agent 对这些数据进行大规模分析和理解。 3. 将其转化为评测用例和测试环境。 4. Agent 与人类共同审查结果。 5. 为最重要的任务微调更小、更快的开源模型。 在真实产品上体验 CLiF 的运作方式：[copilotkit.ai/clif](https://go.copilotkit.ai/clif-page)。 ## 全栈轨迹能给你带来什么 CLiF 将它们转化为： - **技能（Skills）：** 为你的 Agent 或 MCP Server 构建，基于跨轨迹的模式提炼而成。 - **基于生产环境的评测：** 基于用户实际操作构建，可直接接入你现有的评测平台。 - **微调数据集：** 用于在最重要的任务上运行更快、成本更低的小模型。 - **全栈轨迹：** 可导出至任意可观测性平台。 所有这些都可以与你现有的可观测性和评测工具链无缝配合。 你的产品被使用得越多，Agent 就能接管越多的工作。 ## 从 Agent 轨迹中学习，现已上线 与你的 Agent 的每一次对话都是一条 Agent 轨迹，存储在 [AG-UI Streams](https://docs.copilotkit.ai/threads) 中：消息、工具调用、生成式 UI、状态等。当用户纠正 Agent、要求不同的输出格式，或者补充它遗漏的上下文时，这些就成为 CLiF 可以学习的信号。 在 CopilotKit Intelligence 中，你可以将这些轨迹组织到[学习容器（learning containers）](https://docs.copilotkit.ai/learning)中——例如一个用于费用审核，另一个用于新员工入职。每个容器只从自己的线程中学习，因此从费用审核中学到的技能不会外溢到其他场景。 每次学习运行都会产生产品洞察（Product Insights）：这些对话中反复出现的请求和痛点，每一条都关联到背后的线程。当证据充分支持一条可复用的经验时，CLiF 会将其提议为一项技能。 每个提议的技能都是一个 `SKILL.md` 文件，你可以审查、批准，并随项目一起发布。已批准的技能无需重新部署即可送达你的 Agent，且每一条都保持可读和可回滚。 围绕这个闭环，Intelligence 还支持： 1. **导入你已有的线程**——来自 LangGraph Server 或 LangSmith Deployment，让你无需从零开始。 2. **手动运行分析**，或者在容器中至少有 15 条合格线程后按计划自动运行。 3. **自动交付技能**——通过适配器支持 LangGraph（Python 和 TypeScript）、Mastra、Google ADK、Microsoft Agent Framework 以及 CopilotKit 内置 Agent。只需将一段提示词粘贴到你的编码 Agent 中即可完成配置。 4. **通过 CLI 下载已发布的技能**——以纯 `SKILL.md` 文件格式，供任何其他 Agent 使用。 ## 完全支持自托管 CLiF 完全支持自托管，你的数据始终留在自己的网络内。你可以通过我们的 Helm Chart 在自己的 Kubernetes 集群上[自托管 CopilotKit Intelligence](https://docs.copilotkit.ai/intelligence/self-hosting)，也可以部署在 AWS ECS/Fargate 上。 你自带 Postgres、Redis 和身份提供者（如 Okta、Azure AD 或 Keycloak），密钥保存在你已有的存储中。你的轨迹、技能以及从中学习到的一切都保留在你的 VPC 或本地环境中。你也可以将 trace 发送到自己的 OpenTelemetry 收集器。 从 Agent 轨迹中学习的功能也在我们的[托管云服务](https://docs.copilotkit.ai/intelligence/managed-intelligence-platform)上运行，以实现最快的部署。 我们的工程师可以协助你完成部署。如果你正在规划企业级自托管部署，[预约通话](https://copilotkit.ai/talk-to-an-engineer)，我们会与你一起梳理整个流程。 ## 开始使用 从 Agent 轨迹中学习的功能现已可用，产品轨迹处于[早期体验](https://intelligence.copilotkit.ai/?early_access=automatic_learning)阶段。 想看看 CLiF 在你的产品上的效果？[预约演示](https://go.copilotkit.ai/clif-page)，我们会基于你的实际场景，展示全栈轨迹如何生成精准的评测用例和技能，让你的 Agent 成功率达到上线标准。 我们还将在 10 月 15 日太平洋时间上午 9 点举办 CLiF 线上直播，[点击报名](https://luma.com/copilo-sxr2)。 了解更多： - CLiF：[copilotkit.ai/clif](https://go.copilotkit.ai/clif-page) - 学习文档：[docs.copilotkit.ai/learning](https://docs.copilotkit.ai/learning) - 自托管 Intelligence：[docs.copilotkit.ai/intelligence/self-hosting](https://docs.copilotkit.ai/intelligence/self-hosting) - AG-UI：[docs.ag-ui.com](https://docs.ag-ui.com/) Agent 生态系统正在从 Agent 轨迹迈向全栈轨迹。那些让 Agent 从实际工作方式中学习的产品，将会脱颖而出。 在 [Twitter](https://go.copilotkit.ai/socials-twitter) 上关注 CopilotKit 获取最新动态。如果遇到问题，欢迎加入 [CopilotKit](https://go.copilotkit.ai/discord) 或 [AG-UI](https://go.copilotkit.ai/AG-UI-Discord) 社区交流。