Arize AI 分享 Agent 自改进闭环：从 trace 到 eval 与修复验证

Arize AI 的 Fuad Ali 在 workshop 中演示 AI agent 的自改进流程：记录全部 trace，由常驻 agent Signal 按计划读取 trace 并提交去重 issue，将失败案例转为 eval 和持续更新的回归数据集，通过实验证明修复有效，同时把人工留在 eval 设计、数据集整理和修复评审等关键环节。演示使用一个植入 bug 的玩具购物 agent，并讨论了定性输出评估、决策模型和成本问题。

AI推荐理由 Arize AI 的 Fuad Ali 在 workshop 中给出了一套可操作的 agent 自改进闭环：全量 trace、由常驻 agent Signal 定时读取 trace 并去重提交 issue、把失败转成 eval 与回归数据集、用实验验证修复，并保留人工在 eval 设计、数据集整理和修复评审等关键节点。内容包含带植入 bug 的购物 agent 演示和章节结构，信息密度较高；但属于会议 workshop 分享，效果仅来自演示环境，未提供生产数据或独立验证，定性输出评估与成本问题也只以问答形式涉及。