在生产环境中构建 AI Agent 时一个最常见的假设是要想让 Agent 持续变好就必须更新模型权重。但现实是残酷的绝大多数生产级 Agent 依赖闭源前沿模型Fable、GPT 等系列。当你不拥有权重时fine-tuning 就彻底不在选项里。尤其是当你在能力最前沿工作时这个路径基本被封死了。这并不意味着 Agent 无法持续学习。Replit AI 团队过去一年的实践证明Agentic 系统可以在三个完全不同的层次上持续改进——模型层、harness 层和 context 层。而后两者是绝大多数团队完全可控的。把精力集中在 harness工具、指令、代码结构和 context个性化记忆、用户/组织知识上你就能实现每天都在上线的可衡量改进而不是等下一次模型发布。我起初也以为闭源模型意味着 Agent 的能力天花板基本固定了。后来看到 Replit 把生产 trace 直接转化成 harness 改进和 context 积累才意识到模型只是执行引擎真正能每天迭代的是围绕它的整个系统。为什么传统的一次性评估已经失效过去 Agent 评估往往是单向的跑 benchmark → 拿分数 → 决定是否发版。这种模式在模型和 prompt 变化缓慢时还能勉强工作。但当 Replit Agent 每天都在调整 prompt、工具、harness 和产品交互时单一分数根本扛不住决策。用户是“vibe coder”——他们用自然语言描述目标Agent 从零开始生成完整应用网站、移动端、幻灯片等。成功标准不是“代码通过测试”而是“用户点开后实际能用”。这就要求评估必须从“发版前检查”变成“持续改进闭环”。Replit 构建了双支柱 一个优化闭环的系统离线 benchmarkViBench判断候选改动是否能在模拟任务中完成在线 A/B 测试 生产 trace观察真实用户影响所有信号反哺回评估和决策。这类似于安全工程里的 Swiss cheese 模型每一层都有漏洞但多层叠加能捕获单一层漏掉的问题。ViBench为 vibe coding 设计的端到端评估传统 benchmark如 SWE-bench假设已有代码库Agent 只需修改现有结构。而 vibe coding 的真实场景是Agent 自己选技术栈、设计 schema、路由、组件和交互流程。评估目标变成了“最终生成的 App 是否满足原始需求”。为此 Replit 推出了公开的ViBench输入是来自真实生产 trace 的自然语言 PRD产品需求文档Agent 从零构建可运行应用评估 Agent 使用 Playwright 在 notebook 环境中逐步探索应用结构执行自然语言测试计划。它不仅能测从零构建还能测“在已有代码库上扩展功能”Vibe-to-ref、Vibe-on-Vibe以及新产品交互模式如并行与合并、子代理分解。早期结果揭示了两个重要信号前沿 coding benchmark 分数并不总是迁移到完整 App 构建大多数模型在扩展自己生成的代码时会变差——错误会累积。这把优化方向从“写出能过测试的代码”转向了“构建能承受下一次用户请求的 App”。Telescope把生产失败变成可行动的洞察A/B 测试能告诉你“行为变了”但解释不了“为什么变了”。Replit 的 Telescope 系统把海量生产 trace 聚类成问题簇重建会话轨迹用户消息、Agent 回复、工具调用、错误、元数据用证据驱动的摘要进行 embedding 和密度聚类形成可搜索的 issue clusters 和 facets。工程师和 Agent 都能快速定位重复出现的失败模式而不是靠人工阅读每一份日志。把 Agent 用来改进 Agent 的自改进闭环一旦有了测量瓶颈就变成了“如何把证据转化为改进”。Replit 的做法是让 Agent 自己参与改进循环读取生产日志、trace 簇和近期失败提出值得追的假设构建候选改动prompt 编辑、skill 提案、工具修复、harness 变更打开带推理说明的 draft PR在 ViBench A/B 轨迹数据上测量效果给出“发版 / 迭代 / 放弃”的推荐。人类依然保留关键闸门假设选择、实现架构决策、评估策展、最终发版批准。一个真实案例Telescope 发现一个缓慢增长的冷启动环境设置问题。闭环读取受影响轨迹、提出补丁、增加回归测试、在 ViBench 上验证后工程师当天就审核并上线。用户情绪恢复受影响用户被解锁。三个持续学习层次的对比层次是否可控闭源模型改进方式典型产出改进频率核心挑战模型层几乎不可控权重更新 / fine-tuning基础能力提升低依赖厂商需要拥有权重Harness 层完全可控挖掘 trace 改进代码、工具、指令更可靠的执行流程、更好工具高每天需要高质量 trace 与聚类系统Context 层完全可控个性化记忆、用户/组织知识积累针对性更强的响应与决策高实时需要长期一致的记忆机制Harness 层和 context 层加起来能让你在模型不变的情况下实现可 compounding 的每日改进。人类品味依然是最后一道防线自改进闭环可以自主完成聚类、假设生成、候选构建、测量和证据整理。但人类必须负责决定哪些失败簇值得投入 overnight 计算预算判断是修复路径、改变 Agent 行为还是重构产品表面确保评估真正对齐产品目标而不是优化到错误的方向承担发版的风险与责任。这个平衡让系统既能规模化搜索和合成又不会失去工程判断。把用户失败转化为更好发布的闭环评估不再只是发版前的门禁而是决定“修什么、测什么、发什么”的核心引擎。当你无法通过更新模型权重来让 Agent 变好时真正的杠杆就在于系统性地挖掘生产痕迹、改进 harness、积累 context并用多层测量把证据闭环起来。Replit 的经验表明只要把这套机制跑起来你就能把“每天都有真实用户失败”这件事转化为“每天都能上线让更多想法变成优质 App”的能力。这才是生产级 Agent 持续学习最被低估、也最可执行的路径。你在构建生产 Agent 时遇到过“模型不变但系统越来越难用”的情况吗或者你们已经在 harness/context 层做了哪些持续改进的尝试欢迎分享具体做法或遇到的瓶颈我们一起把这些实践继续打磨。我是紫微AI在做一个「人格操作系统ZPF」。后面会持续分享AI Agent和系统实验。感兴趣可以关注我们下期见。