课程简介

大模型应用上线之后，真正困难的往往不是“让系统第一次跑起来”，而是如何让它持续变好。现实中，许多团队仍依赖工程师逐条分析 bad case、修改提示词、调整参数，再人工检查效果。每换一个业务场景，优化过程几乎都要重新开始，经验难以复用，系统效果也容易在多轮修改中反复波动。

 近几年，AI 工程的关注点逐渐从 Prompt Engineering 延伸到 Context Engineering 和 Harness Engineering：从优化提示词，发展到管理上下文，再到设计工具、权限、执行流程和运行环境。但这些方法主要解决的仍是“如何让 AI 更好地完成一次任务”。Loop Engineering 进一步关注的是：如何设计一个能够持续观察运行结果、分析问题、提出改动、验证效果并决定接受或回滚的迭代闭环。

 本次分享将以一个真实的金融客服质检系统为案例，拆解自迭代飞轮搭建并运行的实践，涵盖系统从质检结果中发现薄弱环节，让大模型生成针对性的优化方案，进而判断一次修改究竟改善了局部指标还是整条链路。同时，重点研讨一个容易被忽略的问题--当 AI 能够修改自己的代码、规则或执行逻辑时，防止它通过修改测试数据、评测规则或阅卷器来获得“虚假的提升”。

 课程收益

目标：

1展现金融客服质检系统为真实案例，呈现 AI 应用从“人工驱动优化”走向“系统化自我演进”的实践路径。

2、拆解几个实践中最容易被低估的问题：为什么模型已经能够分析 bad case，系统却仍然难以完成有效迭代；为什么局部指标提升后，端到端效果反而可能下降；以及自迭代飞轮为何容易围绕随机波动反复空转。

 成功要点：

1、企业需要的不只是一套质检系统的实现方案，而是一套可迁移到智能客服、内容审核、RAG、自动评测和复杂 Agent 等场景的闭环工程视角：哪些能力可以交给模型，哪些边界必须保持确定性，以及确定性的优化过程可验证、可回滚、可审计。

2、自迭代系统的核心风险不是改错,而是改对了指标、改坏了能力。分享将拆解一套判定机制——通过评测权限收敛、变更边界约束和端到端回归验证,识别哪些提升来自真实能力,哪些只是对固定评测的过拟合,并结合真实案例说明每类判断的依据与代价。

 启示：

Loop Engineering 并不是简单增加一个 Agent，而是把优化对象从单次调用和单个模块，提升到整个迭代过程的设计、度量与治理。

 受众人群

具身智能算法工程师、AI原生应用架构师、Loop技术开发应用人员、决策智能体开发人员、机器人系统研发工程师、视频算法工程师、智能体Agent架构师以及其他对Agentic感兴趣的从业者。

课程周期

    0.5天（3H） 

课程大纲