کوپایلوت‌کیت، شرکت سازنده‌ی فریمورک متن‌باز CopilotKit و پروتکل AG-UI، پلتفرم CLiF (Continual Learning from Full-stack trajectories) را در نسخه‌ی early access منتشر کرد. CLiF ردپای ایجنت و اقدامات کاربر در محصول را به‌صورت یک تایم‌لاین واحد ثبت می‌کند و از آن‌ها مهارت، eval مبتنی بر تولید واقعی، و مجموعه‌داده‌ی fine-tuning می‌سازد. کوپایلوت‌کیت بیش از ۳۸,۰۰۰ ستاره در GitHub دارد.

مشکلی که CLiF هدف می‌گیرد#

تیم‌هایی که ایجنت‌های هوش مصنوعی را در مقیاس بزرگ استقرار می‌دهند، معمولاً evalهای دستی می‌نویسند — گاهی صدها یا هزاران مورد — و سپس ایجنت را از طریق ویرایش prompt و اصلاحات جزئی بهبود می‌دهند. در همان زمان، کاربرانی که هر روز همان کارها را در محصول انجام می‌دهند، مسیر درست را می‌دانند، اما این اطلاعات در هیچ ابزار پایش ایجنتی ثبت نمی‌شود. ابزارهای tracing فقط سمت ایجنت را می‌بینند و ابزارهای product analytics فقط سمت کاربر را؛ در بیشتر استک‌های عملیاتی، این دو هرگز روی یک تایم‌لاین قرار نمی‌گیرند.

ساختار فنی: Full-Stack Trajectory#

CLiF روی پروتکل AG-UI ساخته شده که بین ایجنت و رابط کاربری قرار دارد. این پروتکل همزمان دو سمت را ثبت می‌کند:

  • مسیر ایجنت: هر اجرا، فراخوانی ابزار، تغییر وضعیت و خروجی هر کدام.
  • مسیر کاربر: آنچه روی صفحه‌ی کاربر بوده، دکمه‌هایی که زده، درخواست‌های سروری که_trigger_ کرده، و اگر در میانه با ایجنت صحبت کرده باشد، آن مکالمه هم در همان تایم‌لاین قرار می‌گیرد.

حلقه‌ی چهارمرحله‌ای یادگیری#

کوپایلوت‌کیت فرایند CLiF را در چهار مرحله توصیف می‌کند:

  1. Capture: ردپاها به learning containerها اختصاص می‌یابند که یادگیری را به یک حوزه‌ی کاری محدود می‌کنند (مثلاً پشتیبانی صورتحساب یا onboard کردن مشتری). هر container فقط از sessions خودش یاد می‌گیرد.
  2. Find patterns: پس از رسیدن container به آستانه‌ای از sessions جدید، تحلیل به‌صورت خودکار یا دستی اجرا می‌شود. خروجی، Insights است: درخواست‌های تکراری، اصلاحات مکرر، و اصطکاک‌هایی که کاربر بی‌صدا از آن‌ها رد می‌شود. هر Insight به رویدادهای خاص ارجاع می‌دهد.
  3. Review: CLiF درس‌های قابل‌استفاده‌ی مجدد را به‌صورت فایل SKILL.md پیشنهاد می‌دهد. سرویس تحلیل به‌تنهایی نمی‌تواند چیزی منتشر کند؛ یک نفر باید هر پیشنهاد را تأیید یا رد کند. مهارت‌های منتشرشده نسخه‌بندی شده و هر زمان قابل بازنشستگی هستند.
  4. Deliver and export: مهارت‌ها بدون redeploy به ایجنت می‌رسند. برای سایر ایجنت‌ها یا MCP serverها، مهارت‌ها با دستور copilotkit skills download --output قابل دانلودند. ردپاها هم به‌صورت raw event data قابل export هستند. برای تیم‌های early access، همین خط تولید eval candidate و fine-tuning dataset هم می‌دهد.

CLiF به‌صورت کاملاً self-hosted اجرا می‌شود.

این خبر برای کسی که ایجنت می‌سازد یعنی چه#

اگر همین حالا ایجنتی با ابزارهای موجود ساخته‌اید، CLiF یک چیز را حل می‌کند که هیچ ابزار دیگری حل نمی‌کند: ثبت همزمان رفتار کاربر و رفتار ایجنت در یک تایم‌لاین. این یعنی برای اولین بار، داده‌ی واقعی «مسیر درست» در دسترس قرار می‌گیرد، نه فقط «مسیر اشتباه ایجنت». اما چند نکته‌ی احتیاطی وجود دارد: این ابزار در مرحله‌ی early access است، یعنی API و رفتار آن هنوز پایدار نیست. مرحله‌ی Review دستی است و در مقیاس بالا، بار تأیید انسانی می‌تواند گلوگاه شود. fine-tuning dataset و eval candidate هم فقط برای تیم‌های early access تولید می‌شود، نه همه‌ی کاربران. و مهم‌تر از همه، اگر از AG-UI استفاده نمی‌کنید، به‌دست آوردن این تایم‌لاین یکپارچه عملاً ممکن نیست؛ یعنی باید کل رابط کاربری‌تان را روی پروتکل کوپایلوت‌کیت بازطراحی کنید.

منبع: MarkTechPost