据MarkTechPost报道，CopilotKit于10月15日推出持续学习平台CLiF，并开放早期访问。该平台围绕“全栈轨迹”构建，试图把智能体在运行中的轨迹与用户在真实产品中的操作合并到同一时间线，再转化为技能、生产环境评估、微调数据集和可导出的原始轨迹。

CopilotKit是开源CopilotKit框架和AG-UI协议的开发方，其GitHub项目已获得超过3.8万颗星。据该报道，CLiF属于CopilotKit Intelligence，通过AG-UI捕获全栈轨迹。AG-UI位于智能体与用户界面之间，因此同时看到智能体轨迹和产品轨迹。前者包括每一次运行、工具调用、状态变化及其返回结果；后者包括用户屏幕内容、点击的按钮和触发的服务器请求。若用户与智能体对话，对话也按顺序进入同一条时间线。AG-UI原本已向前端流式传输智能体事件，CLiF用同一协议安全捕获用户操作，从开始就把两部分放在同一个流中，无需另建分析管道事后拼接。

每一个用户会话成为一条轨迹，团队可在CopilotKit Intelligence中打开并逐步回放，点击、服务器请求和智能体消息按发生顺序呈现。CopilotKit描述的学习循环分四个阶段。在捕获阶段，轨迹流入CopilotKit Intelligence并被分配给学习容器。容器把学习范围限定在一种工作，例如账单支持或客户入驻；运行时通过getTrajectoryLearningContainerIds回调为每个会话选择容器，会话之后可在Intelligence界面移入或移出容器。每个容器只从自己的会话中学习。

在寻找模式阶段，当一个容器新增会话达到设定阈值后，分析会按计划运行，团队也可手动触发。每次分析基于该容器会话的冻结快照，输出Insights，包括重复请求、反复纠正以及用户默默绕开的摩擦点。CopilotKit将这类摩擦视为最强信号。报道称，该四阶段循环建立在CopilotKit的Automatic Learning之上，最终产出技能、基于生产环境的评估、微调数据集和原始导出，并且每一个技能都由人工审核。

报道指出，当前多数智能体可观测性以智能体为中心，追踪工具记录提示、工具调用和模型输出，能显示智能体在哪出错，却看不到正确路径。产品分析则覆盖点击、漏斗和会话回放，但这些数据主要供人查看仪表盘，而非教智能体完成任务或测试智能体。多数生产智能体栈中，两者从未进入同一时间线。CopilotKit认为，用户实际完成工作的方式才是智能体团队最有价值的数据集，却很少以智能体可学习的形式被捕获。

CLiF针对评测、上下文膨胀、成本、碎片化技术栈和影子AI使用等拖慢智能体团队的问题，并完全自托管运行。报道还提到一个示例，展示智能体如何学习团队负责人实际关闭冲刺任务的方式。该平台目前处于早期访问阶段。