Ny AI-plattform lar agenter lære av brukernes faktiske arbeid

AI-agenter sliter ofte med å løse komplekse oppgaver i bedriftens systemer, selv med avanserte modeller. Problemet er at de sjelden forstår hvordan brukere faktisk navigerer og løser ting i praksis, noe som fører til mye manuelt arbeid for å finjustere agentene. CopilotKit lanserer nå plattformen CLiF (Continual Learning from Full-stack Trajectories), som endrer dette. CLiF fanger opp både agentens handlinger og brukerens interaksjoner – som klikk og kommandoer – i samme tidslinje. Denne informasjonen, kalt «full-stack trajectories», gjøres om til «ferdigheter», testdata (evals) og treningsdata for agenten, og en person godkjenner alltid nye ferdigheter før de tas i bruk. Dette betyr at agenter kan lære seg de uformelle arbeidsflytene som oppstår i en bedrift. For eksempel, i stedet for å bare arkivere en sprint som den er programmert, kan agenten lære seg å flytte utestående oppgaver til en ny sprint, fjerne tilordninger og kommentere blokkerte elementer – slik teamledere faktisk gjør det. Disse ferdighetene kan deretter deles med andre agenter, også fra konkurrerende leverandører. CLiF løser flere vanlige utfordringer for AI-team, som mangelfulle testdata, «kontekst-oppblåsing» og høye kostnader. Ved å bruke virkelige brukertrajektorier til finjustering kan bedrifter trene mindre, billigere AI-modeller for hyppige oppgaver. Plattformen støtter også ulike agentrammeverk gjennom den åpne AG-UI-protokollen, noe som gjør den tilgjengelig for et bredt spekter av bedrifter.