课程简介

在企业生产环境中，业务问题通常会收敛在相对稳定的任务范围内，但 LLM 面对同一类问题仍可能选择不同的探索路径，导致准确率、Token 消耗和整体性能存在较大方差。Agentloop轨迹记录了 LLM 对环境的观察、决策、操作和结果反馈，是 LLM 在执行任务过程中与环境不断对齐的完整过程。与 Fine-tuning、RL 通过训练改变模型参数不同。

 Agentloop形成的“经验”并不等同于记忆，是对长期记忆的升维。记忆主要保留某次会话或执行中发生的事实与状态，而经验关注任务是如何完成的。它不是对单条轨迹的简单复述，而是从 Agent 的多步执行以及多个相关任务的运行轨迹中，对比成功路径与失败过程，提炼能够跨任务复用的行动方法、工具规则、错误边界和修复策略。记忆帮助 Agent 记住过去，经验则用于指导下一次行动。

 从算法视角看，AgentLoop 自进化闭环的方案，可将任务、环境和轨迹特征视为 Key，将经过验证的执行步骤、工具使用规则和错误规避策略视为 Value，把这组 Key-Value 映射看作模型之外可训练、可迭代的“外部权重”。这些经验无需重新训练基础模型，即可通过运行时召回注入 Agent。与此同时，方案优化的模型外部的经验策略层，可从大量历史轨迹中识别同类任务的共同结构，比较不同探索路径，提取高质量执行步骤、显性错误、错误规避方法和失败后的修复策略，并将其组织为可召回的轨迹级 Skill，为 Agent 执行同类型任务时的后续步骤提供指导。

本次分享将展现AgentLoop 自进化闭环的方案，结合多个 Benchmark，解构经验注入前后在准确率、Token 用量和执行稳定性上的变化，分析这种方法快速接入、低训练成本的工程价值。以及应用算法、利用历史轨迹中已经验证过的经验，减少无效探索和重复试错，使同类任务的性能方差逐步收敛，并逼近该任务范围内可观测到的较优执行水平。为Coding场景中减少token消耗、优化任务质量、工具调用和失败风险等，让与会者掌握一种无需训练模型权重的 Agent 全新优化范式。

 课程收益

目标：

1、结合用户场景、游戏场景、coding场景的案例，帮助听众掌握一种无需训练模型权重的 Agent 优化范式：从真实运行轨迹中学习“任务状态到行动策略”的外部经验层，并以任务质量、Token、工具调用和失败风险作为联合优化目标。

2、了解Coding场景中减少token消耗；以及一些客服场景，提升客户响应效率的方案的效果。

3、了解如何从历史轨迹中沉淀出有价值的可复用经验资产。

 成功要点：

1、积累真实、完整的运行轨迹：不只记录 Agent 最终回答，还要保留执行过程中的决策、工具调用、环境反馈和任务结果，才能判断问题究竟发生在哪一步。

2、从多次执行中提炼稳定规律：经验不能只是对单条成功案例的总结，而要比较同类任务的多次运行，找出反复有效的执行方法、常见错误和修复路径，过滤偶然结果和无效信息。

3、只在合适的任务中使用经验：经验需要有明确的适用范围。系统应根据当前任务、使用工具和执行阶段召回少量相关经验，避免经验过多、经验错配或过度干预模型推理。

4、先验证，再进入生产环境：经验注入可能带来收益，也可能造成性能回退。应先在隔离、可重复的仿真环境中进行对比测试，观察准确率、Token、工具调用和退化案例，验证有效后再灰度应用，并保留回退能力。

 启示：

1、Agent 的海量历史轨迹中，通过无监督算法挖掘可复用经验，并将其沉淀为模型外部的长期记忆。算法以准确率和 Token 用量为两大北极星指标，可在不修改模型权重的情况下，使用历史运行数据优化 Agent 后续任务的执行效果与成本为核心目标。

2、经验并不一定始终产生正向效果：不适用、过时或过度泛化的经验，也可能造成性能回退，全新AgentLoop 自进化闭环为验证挖掘出的经验是否有效提供了保障。

3、企业级Agent需要持续性的优化。而大多数企业并不具备训练模型的条件。因而基于历史轨迹的经验总结就是一条可落地的最优路线。

4、AgentLoop 基于仿真环境的对比测试方案，在隔离、可重复的环境中复现任务和工具状态，分别运行未注入经验与注入经验的 Agent，对比准确率、Token、工具调用、性能分布和回退案例。以此既能验证经验的真实收益与适用边界，也能避免直接在生产环境试验对外部系统造成不可逆修改。

 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