AgentLoop：核心概念

資料飛輪

資料飛輪是 AgentLoop 的核心運作機制，也是理解產品價值的關鍵。

Agent 線上上運行時持續產生調用鏈（Trace）、對話記錄和日誌資料。這些未經處理資料經過 Pipeline 清洗成調用軌跡（Trajectory），包含使用者輸入/輸出、模型推理、工具調用、檢索增強等完整過程與狀態指標。基於 Tracjectory 深度加工可沉澱為兩類核心資料資產：資料集（Dataset）和經驗（Experience）。這些資料資產反過來驅動 Agent 評估與實驗、危險行為檢測、Prompt/Skill 調優、上下文動態最佳化等，提升線上 Agent 的效果——進而產生更高品質的運行資料，形成正向增強迴圈。

飛輪的關鍵在於：資料一次採集，產生完整 Trajectory 軌跡，在觀測、審計、評估、最佳化四大情境中複用，價值隨時間持續增長。

AgentSpace

AgentSpace 是 AgentLoop 中組織和管理資源的頂層工作空間。

一個 AgentSpace 對應一個團隊、業務線或獨立專案的完整資源邊界，其中包括 Agent 應用、資料集、評估任務、實驗計劃、記憶庫和經驗庫等全部資源。AgentSpace 提供資源隔離、統一管理與許可權控制的能力，是企業級多租戶治理的基本單元。

典型使用方式：為每個業務域（如客服、營運、研發）建立獨立的 AgentSpace，實現資源與許可權的清晰隔離。

Agent

Agent 是具備自主決策與多步執行能力的智能體。與傳統 LLM 應用只完成單輪輸入-輸出不同，Agent 能夠根據目標進行規劃，自主選擇和調用工具，在多個步驟間維持狀態並動態調整策略，最終完成複雜任務。

在 AgentLoop 的語境中，Agent 是一個通用概念，指代任何具備上述自主執行特徵的智能體——無論它基於何種架構構建、運行在哪個平台上。

Agent 應用

Agent 應用是接入 AgentLoop 進行觀測、評估和最佳化的 Agent 應用執行個體，可以是智能客服、營運助手、代碼助手、企業 Copilot 或自研 Agent 系統。

Agent 與 Agent 應用的區別：Agent 是業務概念，描述一個具備自主執行能力的 AI 系統；Agent 應用是資源概念，指已接入 AgentLoop 的具體執行個體。一個 Agent 應用背後可能包含一個或多個協作的 Agent，但在 AgentLoop 中被視為一個統一的觀測與嵌入式管理單元。

接入後，AgentLoop 持續採集 Agent 應用運行過程中產生的調用鏈、審計日誌等資料，協助開發人員理解 Agent 在真實環境中的表現，並驅動後續的評估與最佳化流程。

調用軌跡（Trajectory）

調用軌跡記錄一次 Agent 請求從接收到完成的完整執行軌跡。一條 Trajectory 包含使用者輸入、模型推理、工具調用、檢索增強、記憶讀取、決策分支與最終回複等全部步驟，以及每個步驟的耗時、Token 消耗和狀態資訊。

Trajectory 是 AgentLoop 資料飛輪的基礎資料單元——觀測依賴它還原執行路徑和定位問題；評估基於它判斷輸出品質和軌跡合理性；審計結合它識別危險行為攻擊鏈；經驗也由它提取沉澱而來。

資料集（Dataset）

資料集是 AgentLoop 管理 Agent 運行時資料的核心載體，用於沉澱可查詢、可評估、可實驗的結構化高品質資料資產。

使用者可以將對話記錄、Trajectory、專家標註等資訊沉澱到資料集中。每個資料集支援自訂 Schema（欄位類型包括 text/long/double/json）、版本管理、全文檢索索引、語義搜尋和 SQL 分析。資料集在產品中承擔多重角色：作為評估任務的輸入資料來源、實驗對比的測試集、CI/CD 門禁的迴歸基準集，以及持續最佳化的資料基礎。

資料集隨業務運行通過 Pipeline 自動積累和更新，更新頻率支援即時、每日、每周或手動設定。平台後續還提供資料集廣場，預置多種情境模板，協助使用者快速構建評估基準。

資料處理（Pipeline）

Pipeline 是 AgentLoop 的自動化資料加工引擎，負責將原始運行資料轉化為 Trajectory 或高品質資料集。

Pipeline 支援多步流程編排，典型處理鏈路為：資料來源接入（Trace 鏈路資料或 SLS 日誌）→ 資料降維（過濾、去重、採樣）→ 特徵提取（Step 輪次、工具調用集等）→ AI 資料加工（主題、意圖、標註等）→ 寫入目標資料存放區（資料集或日誌庫）。整個過程自動化持續運行，可節省 90% 以上的人工資料處理成本。

評估（Evaluation）

評估用於量化 Agent 輸出品質和執行過程品質，將主觀的"效果好不好"轉化為可追蹤、可對比的客觀指標。

AgentLoop 支援對模型輸出、RAG 檢索結果、工具調用和 Agent 執行軌跡進行多維評估。評估器支援預置評估器（覆蓋通用、RAG、工具使用、Agent 軌跡等）和自訂評估器。評估方式支援 Agent-as-a-Judge、LLM-as-a-Judge 及人工反饋。評估資料來源包括 Trajectory 軌跡、鏈路、日誌和資料集。評估任務支援兩種運行策略——基於新資料的持續評估（即時監控品質變化）和基於歷史資料的批次評估（離線迴歸驗證）。

評估結果可用於發現 Bad Case、監控線上品質趨勢、驗證版本變更是否引入退化，並可與 CI/CD 整合實現自動化品質門禁。

實驗（Experiment）

實驗用於在受控條件下對比不同配置的效果差異，協助團隊在上線前驗證改動效果。

使用者建立實驗計劃時，選擇目標資料集和評估器組合，定義多組實驗變數（Agent 執行個體、模型版本、Prompt 版本、參數配置、工具配置等），批量運行後對比各組在準確性、品質評分、延遲、Token 消耗和成本等維度表現。實驗結果提供統計顯著性分析，協助團隊用資料驅動決策，降低 Prompt 調整、模型升級和 Agent 版本迭代帶來的線上風險。

Playground

Playground 是面向快速調試和驗證的互動式實驗環境。

使用者可以在 Playground 中即時調整實驗對象，如 Agent、Prompt、模型參數和輸入樣本，即時查看 Agent/模型輸出並掛載評估器對比評估結果。它適用於 Agent 單例/多版本調試、Prompt 快速實驗、效果問題排查，以及正式建立實驗計劃前的可行性驗證。Playground 降低了實驗門檻，讓開發人員無需配置完整實驗流程即可快速迭代想法。

Agent 資產

Agent 資產是構成 Agent 行為邏輯的核心可嵌入式管理單元，主要包括 Prompt 和 Skill。

Prompt 定義了 Agent 的角色設定、推理指令和輸出規範；Skill 封裝了 Agent 完成特定任務的工具調用邏輯和流程編排。在實際工程中，Agent 的表現很大程度取決於這些資產中行為邏輯的正確性與一致性。

AgentLoop 為 Agent 資產提供集中託管、版本控制和變更審計能力——每次修改可回溯，效果可通過關聯評估量化對比，Prompt 或 Skill 變更後可自動觸發評估驗證，確保變更不引入品質退化。團隊可以像管理代碼一樣管理 Agent 行為：變更有記錄、效果有度量、上線有把關。

記憶（Memory）

記憶是 AgentLoop 為 Agent 提供的長期上下文能力，用於儲存使用者偏好、重要事實和可複用的資訊。應用在後續互動中檢索相關記憶，並將其加入當前請求的上下文，協助 Agent 提供更連貫、個人化的服務。

記憶庫是管理這些記憶的資源。應用使用與記憶庫綁定的 API Key，通過 mem0 相容介面讀寫記憶，也可以在控制台檢索長期記憶。詳情請參見記憶庫產品介紹。

經驗（Experience）

經驗是從 Agent 執行軌跡中自動提取的可複用操作知識，記錄某類任務中有效處理方法、決策路徑、成功模式或失敗教訓。

與記憶（Memory）關注"記住使用者和環境資訊"不同，經驗關注"Agent 自身如何更好地完成任務"。例如：某類故障排查的最佳步驟序列、某類工具調用的正確參數組合、某類 Bad Case 的有效修複策略，都可被自動沉澱為經驗片段。

經驗支援組織級共用——同企業內多個 Agent 應用可共用同一經驗庫，使單個 Agent 的成功經驗能夠跨應用複用，加速整體能力提升。