CopilotKit выпустила платформу CLiF для обучения агентов

Компания CopilotKit, развивающая одноимённый открытый фреймворк и протокол AG-UI, выпустила в раннем доступе платформу CLiF для непрерывного обучения ИИ-агентов на основе полных траекторий работы. Разработчики агентов на практике сталкиваются с одной и той же проблемой: даже модели верхнего уровня не справляются со сквозными задачами внутри конкретного продукта достаточно стабильно для продакшена. Команды вручную пишут сотни и тысячи тестовых сценариев и дорабатывают агента промптами и частными случаями, пока он не начнёт их проходить.

CLiF предлагает использовать другой источник данных — действия реальных пользователей, которые ежедневно выполняют те же задачи и знают правильную последовательность шагов. Платформа захватывает и то, что делает агент, и то, что делают люди в продукте, а затем превращает эту запись в навыки, оценки на основе продакшена и датасеты для дообучения. Всё это экспортируется вместе с исходными траекториями. CopilotKit остаётся открытым проектом: у него более 38 тысяч звёзд на GitHub.

Ключевое отличие от существующих инструментов в том, что большинство систем наблюдаемости ориентированы только на агента: они фиксируют промпты, вызовы инструментов и ответы модели, но не видят правильный путь решения задачи. Продуктовая аналитика, в свою очередь, собирает клики и сессии, но в формате, рассчитанном на человека с дашбордом, а не на обучение агента. В CLiF обе стороны попадают в один поток благодаря протоколу AG-UI, который находится между агентом и пользовательским интерфейсом.

Платформа строится вокруг примитива «полная траектория»: каждая пользовательская сессия становится единой записью, которую можно воспроизвести шаг за шагом — с кликами, серверными запросами и сообщениями агента в хронологическом порядке. Траектории распределяются по обучающим контейнерам, ограничивающим обучение одним типом работы, например поддержкой по биллингу или онбордингом клиентов. Анализ запускается по расписанию при накоплении порога новых сессий или вручную и выявляет повторяющиеся запросы, исправления и обходные пути пользователей.

Каждое наблюдение подкреплено конкретными событиями и ссылкой на исходную траекторию. Если证据 достаточно, CLiF предлагает оформить урок как навык в виде файла SKILL.md, но опубликовать его может только человек — через интерфейс Intelligence или CLI. Опубликованные навыки версионируются, их можно отозвать, а агент получает их без повторного развёртывания; при необходимости команда может зафиксировать конкретную ревизию.

На стороне агента CLiF опирается на механизм Automatic Learning, который учится на диалогах пользователей с агентом. CLiF расширяет этот цикл на продуктовые траектории, то есть на работу вне чата. Доставка навыков реализована через адаптеры для LangGraph, Mastra, Google ADK, Microsoft Agent Framework и встроенного агента CopilotKit: адаптер добавляет каталог и два инструмента, а модель подгружает навык по необходимости. Инструкции разработчика сохраняют приоритет, поэтому навыки не могут переопределить роль агента, правила безопасности или ограничения на инструменты.

Помимо навыков, те же траектории дают ещё три результата: кандидаты для оценок и датасеты для дообучения, а также сырые данные событий, экспортируемые из дашборда. Позиция CopilotKit состоит в том, что командам не нужно отказываться от уже используемых инструментов оценки и наблюдаемости — CLiF лишь поставляет данные, которых им не хватало.