持续学习

本文探讨如何通过挖掘智能体（Agent）在环境中的操作追踪数据（Traces）来实现持续学习与性能提升。作者强调traces是理解智能体行为的关键，通过大规模分析这些数据可以发现瓶颈、生成评估数据集并驱动改进闭环。文章介绍了实际方案：利用微调后的开源模型高效处理traces，并提出“模型-任务-工程”匹配概念，以及“工程调整→微调→工程调整”的三明治策略作为最佳实践。最后总结：数据是智能体改进的核心驱动力，团队需更新工具以应对智能体产生的海量数据。

本文介绍了Replit Agent团队在持续学习方面的实践，针对无法微调闭源模型的现状，提出了三层学习框架：模型层、工具层和上下文层。重点描述了工具层和上下文层的优化方法，包括离线基准测试ViBench、在线A/B测试和Telescope轨迹聚类分析。ViBench用于评估AI Agent从头构建应用的能力，A/B测试监控生产环境行为变化，Telescope自动聚类失败轨迹。三者形成闭环，驱动Agent每日改进。文章还分享了优化循环的具体案例，强调人工在假设选择、架构决策和发布审批中的核心作用。

本文提出了一个自我进化智能体的分类体系，基于模型、框架和工件三个关键因素。自我进化系统可分为三个层次：工件迭代优化（如AlphaEvolve自动发现算法）、智能体框架自我改进（包括提示/记忆优化和工具/技能创建）以及无黄金答案的模型学习（如自训练、强化学习、测试时训练）。文章澄清了这些概念与相关术语（如持续学习、递归自我改进）的区别，并指出未来趋势是三者协同进化，最终目标是在现实世界中创造实际价值。

Factory公司发布软件工厂概念，旨在通过AI代理构建端到端的自动化软件开发系统，实现模型独立、主权智能和持续学习。该系统集成从问题追踪到代码部署的全流程，已在NVIDIA、Adobe等大企业部署。工程师角色将从直接编码转向构建和管理这些自动化工厂。