# 策展 · X (Twitter) 🔥🔥
> 📖 本站完整內容索引（documentation index）：[llms.txt](/llms.txt)
> 作者：Atai Barkai (@ataiiam) · 平台：X (Twitter) · 日期：2026-07-08
> 原始來源：https://x.com/ataiiam/status/2074501252268937703
## 中文摘要
# 建立護城河：自我學習的 Agent
自我提升是新的護城河，讓產品公司能超越單純封裝 LLM API 的層次。
獲取這些學習成果有兩個來源：瀏覽器活動（使用者在應用程式中的實際操作）以及 Agent 的執行軌跡（Agent 的實際作為）。
如果執行得當，你的產品只需透過被使用，就能不斷進化。
你的產品每天可能會有成百上千，甚至數百萬次的 Agent 與使用者互動。這是一座資料金礦。
然而，現今大多數的價值都未被捕捉。
你的使用者在「教導」Agent，而那些「課程」卻隨之消失了。
捕捉資料訊號是一種複利資產。
但光是捕捉還不夠——Agent 還必須在不被過多 context 淹沒的情況下運用這些資訊。模型有有限的注意力預算，把所有東西都塞進 context 並不是解決方案……
展開畫面重點
圖表標題為「Every interaction teaches. Don't let the lesson disappear.」（每一次互動都是教學，別讓這些經驗流失）。右上角標示為「CopilotKit INTELLIGENCE」。
圖表流程分為上方的「學習循環」與下方的「價值產出」：
1. 上方流程：
- Users（使用者）與 Interaction Surface（互動介面）進行互動。
- 系統捕捉 The Signal（訊號），包含 Agent Traces（代理軌跡：Questions 問題、Tools 工具、Results 結果、Failures 失敗）與 User Activity（使用者活動：Clicks 點擊、Edits 編輯、Approvals 核准、Corrections 修正）。
- 訊號傳遞至 Learning Engine（學習引擎）。
- 最終產出 Self-Improving Agents（自我優化代理）。
2. 下方價值與風險：
- Captured Value（已捕捉的價值）：包含「Fewer repeat mistakes」（減少重複錯誤）、「Learns your edge cases」（學習邊緣案例）、「Fewer human handoffs」（減少人工介入）。
- Compounding Asset（複利資產）：象徵累積的學習成果。
- Missed Every Day（每日流失）：若未捕捉這些互動，系統會顯示「If you don't capture it, the lesson just disappears.」（若不捕捉，經驗就會消失）。
展開畫面重點
圖片標題為「Each tool sees half. The miss and the fix meet in only one place.」。
上方區塊「A LIVE SESSION」展示了「The person」與「The agent」在同一時刻的操作差異：
- The person：clicks、edits、approves the refund（綠色標記為 the fix）。
- The agent：tool_call、tool_result、blocks the refund（紅色標記為 the miss）。
下方三個區塊比較了不同工具的監控能力：
1. A trace tool：reads the run log。標示為「× Blind to what the person did」。
2. An ambient tool：watches the screen。標示為「× Blind to what the agent did」。
3. The AG-UI interface：the surface both act on。標示為「✓ Sees both. Captured for free.」。
展開畫面重點
這張圖表標題為「Where an agent can learn from」，副標題為「Two sources of signal. Most teams capture only one.」。
圖表分為三個主要區塊：
1. 左側區塊「1. Agent Traces」（代理軌跡）：
- 描述：The agent's side. Every run, logged step by step.
- 流程圖示：What it was asked (圖示：對話框) -> Tools it called (圖示：扳手) -> What came back (圖示：資料庫) -> Where it failed (圖示：警告三角形)。
- 說明文字：Point another agent at those traces. It finds the failure patterns and rewrites the prompts, tools, and instructions.
- 標籤：Patterns, Prompt fixes, Tool rewrites。
- 底部註記：Doesn't see the human, or what the person did.
2. 中間區塊「The Interface」（介面）：
- 描述：The one place that sees both, at the same time.
- 標籤：Captured via AG-UI。
- 底部按鈕：Both signals. Stronger agents.
3. 右側區塊「2. Ambient User Activity」（環境使用者活動）：
- 描述：The human's side. Watching the person work.
- 流程圖示：Clicks (圖示：游標) -> Edits (圖示：鉛筆) -> Workflows (圖示：清單) -> Corrections (圖示：重試箭頭)。
- 說明文字：Each human fix is a labeled data point. That feedback becomes the training signal that sharpens the next run.
- 標籤：Labeled data, Human feedback。
- 底部註記：Doesn't see the agent, or why it failed.
展開畫面重點
圖表將記憶分為三種類型：
1. Semantic（語義）：facts（事實），範例為「This customer's refund limit is $2,000.」，標註「MOST SETUPS STOP HERE」。
2. Episodic（情節）：past experience（過往經驗），範例為「Last week, this customer's refund bounced.」，標註「MAKES IT SELF-IMPROVING」。
3. Procedural（程序）：how to handle a case（如何處理案例），範例為「Loyal customer, over the limit, repeat failures → approve it.」，標註「MAKES IT SELF-IMPROVING」。
下方文字說明：「Most setups only store facts. The last two are how it learns.」（大多數設定僅儲存事實。後兩者才是它學習的方式。）
底部說明記憶服務的三種範疇（three scopes）：
- the agent's own memory（代理自身的記憶）
- one user's preferences（單一使用者的偏好）
- the whole team（整個團隊）
展開畫面重點
該圖表標題為「The memory system」，詳細描述了 AI 代理的記憶運作流程：
1. **Real world**：包含人類與代理（agents）的協作。
2. **Event stream**（標註為 AG-UI）：記錄所有動作與結果，包含 click、tool_call、edit、approval 等事件。
3. **Signal extractor**：負責篩選重要資訊並過濾雜訊（NO CONTEXT ROT）。
4. **Memory**：將資訊分類儲存，包含 Semantic（facts）、Episodic（cases）、Procedural（rules）。
5. **Agent in action**：代理根據已有的經驗進行回應，並透過「Right memory. Right time.」機制從記憶庫提取資訊。
圖表下方標註「The more it's used, the better it gets」，強調系統具備隨使用頻率優化的特性。
展開畫面重點
圖表標題為「Own the loop. Own the learning.」，副標題為「It sees both sides, turns every interaction into learning, and builds better agents over time.」。
圖表核心為「AG-UI」，左側代表「The Human」，右側代表「The Agent」。
左側「The Human」包含以下互動項目：
- Clicks
- Edits
- Approvals
- Corrections
- Approved (狀態標籤)
右側「The Agent」包含以下互動項目：
- Tool calls
- Tool results
- State changes
- Messages
- Learning... (狀態標籤)
底部為「Learning Engine」，透過兩條路徑運作：
1. 「Human fix becomes signal」：將人類的修正轉化為訊號。
2. 「Agent attempt becomes context」：將代理的嘗試轉化為背景資訊。
畫面重點在於說明「AG-UI」如何作為中介，將人類的操作（點擊、編輯、核准、修正）與代理的執行結果（工具呼叫、狀態變更、訊息）進行整合，並將這些互動數據輸入至學習引擎中，藉此持續優化代理的表現。
展開畫面重點
該圖表展示了 AG-UI（Agent-User Interaction Protocol）的架構與運作邏輯，強調其能與多種代理（Agent）及框架（Harness）協作。
畫面文字轉錄：
- 標題：Works with any agent, any harness.
- 副標：Zero custom integration.
- 頂部整合項目：LangGraph, LlamaIndex, Mastra, Google ADK, Pydantic AI, any agent。
- 中央核心：AG-UI (Agent-User Interaction Protocol)。
- 兩側連結：左側為「Your App」，右側為「Your Users」。
- 下方說明：Learning Context Injected Into Any Agent (Whatever the harness looks like underneath.)。
- 底部標籤：Same learning. Applied everywhere.
- 底部圖示：包含終端機符號、對話框、括號、晶片、連結符號及星號等六個圖示。
畫面重點：此圖展示了 AG-UI 作為中間層，連接應用程式與使用者，並透過將學習情境注入至各類代理框架（如 LangGraph、LlamaIndex 等），實現跨平台的統一學習與應用。
展開畫面重點
圖表標題：Runs on your infrastructure, you own the learning. (Your data stays with you. So does every lesson.)
左側區塊（標題：YOUR INFRASTRUCTURE）：
- CopilotKit Intelligence (Self-hosted on your Kubernetes)
- Your Data. Your Learning. (包含四個圖示：Traces, Interactions, Corrections, Feedback)
- Encrypted. Private. Yours. (SOC 2 Type II · Air-gapped ready)
右側區塊（標題：EVERYONE ELSE）：
- 圖示：雲朵 (Their Cloud - Your data lives here.)
- 文字：- or -
- 圖示：監視器 (Surveillance - They watch everything.)
畫面重點：此圖透過對比方式，強調 CopilotKit Intelligence 允許使用者在自己的 Kubernetes 環境中部署，確保數據隱私、安全性（SOC 2 Type II）以及對學習數據的完全掌控，並以此對比一般雲端服務可能存在的數據監控風險。
展開畫面重點
圖表標題：A NEW LESSON
流程說明：
1. 起始節點：「Manager approved an over-limit refund」（經理核准了一筆超額退款）。
2. 處理節點：「Router agent」（路由代理），其功能為「picks the scope」（選擇範圍）。
3. 分支選項：
- 「Per-user」：對應「Personal preferences.」，標記為「1 person」。
- 「Per-team」：對應「Approval procedures.」，標記為「the team」。此項目目前被選中（高亮顯示）。
- 「Per-app」：對應「Company-wide rules.」，標記為「everyone」。
4. 補充說明：下方文字說明「Per-team. An approval procedure. Every agent on the team now handles over-limit cases the same way.」（Per-team：一種審核程序。團隊中的每個代理現在都以相同方式處理超額案例。）
5. 狀態標籤：「✓ Auditable. See what was learned, and where it landed.」（可審計。查看學習內容及其應用位置。）
6. 下方按鈕選項：Per-user、Per-team、Per-app。
畫面重點：此圖演示了 AI 代理系統中的路由邏輯，說明當一個決策（如經理核准退款）發生時，系統如何透過 Router agent 將該經驗歸類到個人、團隊或全公司層級的規則中，以實現自動化學習與一致性處理。
展開畫面重點
這張圖表詳細介紹了「自我學習循環」的四個階段：
1. Two signals（兩個訊號）：說明代理從自身軌跡（traces）與使用者行為中學習。圖示顯示「person」產生 clicks 與 fixes，「agent」產生 tool_call 與 fails。
2. Where it lives（儲存位置）：描述模型的三層結構，包含 harness、in-context 與 weights，強調 harness 是使用者實際擁有的部分。
3. Three memories（三種記憶）：以「refund」（退款）為例，說明一個事件可轉化為三種記憶：fact（事實，如 $2,000 limit）、case（案例，如 it bounced）、rule（規則，如 approve, flag）。
4. Own the loop（掌握循環）：說明 CopilotKit 如何從不同工具讀取 miss 與 fix 訊號，並將學習後的內容回饋給代理。圖示顯示「the agent」與「AG-UI」之間的互動循環。
底部標註了 CopilotKit 與 AG-UI。