Uber Eats 如何使用自调优 AI 多智能体系统（以及为何重要）

Uber Eats 在 10,000 多个城市处理数百万张食物照片。为了修复质量不佳的商家照片，同时避免生成看起来假兮兮的“AI 生成垃圾”，他们构建了一个自动化多智能体架构。以下是它的底层工作原理：1. 架构（“瑞士奶酪”模型）Uber 没有使用一个巨型 AI 模型，而是将专业智能体分层堆叠：路由智能体（Router Agent）：决定是修复照片还是跳过它（针对高召回率进行优化，确保坏照片不会漏掉）。编辑与 QA 智能体：持续循环运行，编辑照片、评估质量，并在需要时重试。发布就绪门禁（Publish-Ready Gate）：上线前的最后一道安全网，检查是否存在政策违规、物理瑕疵以及品牌一致性。2. 智能体如何协作 成对比较：QA 智能体将原始照片和编辑后的照片并排放置，检查是否存在幻觉（例如，多出两只鸡翅或去掉蘸酱）。自我纠正：如果 QA 拒绝某项编辑，它会向编辑智能体反馈明确的指令（如“修复份量”），并将重试次数限制在 K 次（Pass@K 指标）。3. 为什么集中式日志记录不可或缺 所有智能体都输出到单一、扁平的 JSON 日志轨迹中。任何人——工程师、产品经理或设计师——都可以检查确切的失败点。要点：如果不先记录每一个微观决策，就无法优化或自动调优智能体流水线。4. 神奇之处：自动自调优循环 当模型漂移或在边缘情况下失败时，无需任何人编写新代码。一个自主的诊断智能体（Diagnoser Agent）会接管：发现故障：检查生产日志和人工反馈，定位是哪个智能体出了问题。反思与综合：子智能体分析失败模式，并自动重写提示配置。基准测试：新提示会针对一个不可变的人工标注照片“黄金数据集”进行测试。如果通过，它就会直接自动部署到生产环境。