主题
调优篇认知总图 · 数据飞轮驱动的持续调优
核心观点 + 逻辑框架（调优篇 · 第 17–24 章）
▍速览
一句话版（开场，约 20 秒）
Agent 怎么持续调优？一条数据飞轮：模型层先把推理成本和延迟降下来（第 17 章），Agent 层用评估、数据、优化三件事闭环转起来（第 18 章）；运行过程沉淀成轨迹、运行时处理、黄金数据集三类数据资产（第 19/20/21 章）；评估发现问题、用 Badcase 和实验验证改进（第 22 章）；把验证过的方法受控采用、让走通的方法稳定复用（第 23 章）；最后扩展到全球边缘并让数据回流（第 24 章）。
一段话版（完整表达，约 90 秒）
调优篇回答一个核心问题：Agent 上线之后怎么持续变好。第一层是模型调优（第 17 章）——推理框架的 PD 分离、KV Cache、连续批处理与投机解码，配合 SFT/Agentic RL/蒸馏三类训练方法，目标是把 Token 成本与响应延迟降下来，这是所有上层优化的底座。第二层是 Agent 调优总览（第 18 章）——调优不是零散改 Prompt，而是让"持续评估→数据沉淀→优化→回流运行"的数据飞轮转起来：Evaluator 持续评估体系持续发现问题，Trajectory Dataset 沉淀运行数据，优化落在 Prompt、模型、工具、Skill、Workflow、Harness 与经验召回上。数据层三章：轨迹数据（第 19 章）讲清楚一条轨迹该怎么检索与阅读——Trace/Session/关键词/语义搜索定位，工具失败、耗时偏高、业务质检三类问题各有落点，失败例与正常例都保留；运行时数据处理（第 20 章）用 Pipeline 把原始运行数据加工成可评估的样本，涵盖字段投影/扩展/条件过滤、实例构建、精确/近似/语义去重、随机/分组采样与语义聚类、LLM/智能体标注、文本统计与周期执行；黄金数据集（第 21 章）把少量高质量、覆盖关键场景的样本建成回归材料，四步建集、字段设计、选题五类、三种用法，版本留档可追溯。改进层两章：第 22 章讲 Badcase 驱动的优化——用评估器在真实样本上试评，挑出值得修的失败样本，配对照实验验证改进是否真的有效，再接入 Agent 持续评估；第 23 章讲受控自进化——先选一类值得反复做好的任务建经验库，把经验接入 Agent 并亲自验证召回，用实验决定召回多少、什么时候用，把稳定方法资产化为 Skill/SQL/Script/Workflow，用失败样本推动 Skill 与 Harness 改进，最后按成熟度从人工选候选走向受控自动采用，每次采用确认四件事并保留回退。空间延伸（第 24 章）——全球化后调优延伸到边缘：延迟不对称、成本不透明、安全前置、内容适配四个方向，评估扩展到全球交付质量，性能成本靠就近接入与语义缓存，内容与安全在边缘分发拦截，生产验证用真实全球流量补充仿真，企业沿三阶段渐进演进。收口的话：调优的终点不是模型变强，而是任务更稳定地完成、团队能说明每一项改进为什么值得保留。
- 一个飞轮：持续评估 → 数据沉淀 → 优化 → 回流运行
- 三类数据资产：轨迹 · 运行时处理（过程数据）· 黄金集（回归评测基线）
- 两个抓手：Badcase 发现问题 + 实验验证改进（第 22 章）
- 一个闭环：受控自进化——经验库 → 召回 → 实验 → 资产化 → 受控采用（第 23 章）
- 一个延伸：边缘四维度 → 五能力 → 三阶段（第 24 章），数据回流评估
一句话（收尾）
数据飞轮的价值最终体现在任务更稳定地完成——团队调整的是具体使用方法，而不是笼统地判断"经验有没有用"。
▍逻辑框架（记忆卡片）
① 篇命题：让 Agent 持续变好，靠数据飞轮而非零散改 Prompt
调优篇把 Agent 上线后的持续改进组织成一条主线：模型层降成本（第 17 章）→ 总览层转飞轮（第 18 章）→ 数据层沉淀资产（第 19/20/21 章）→ 改进层发现问题并受控采用（第 22/23 章）→ 空间层扩展到全球（第 24 章）。五层依次递进、数据回流形成闭环；判断标准始终回到业务——排障看根因与证据、代码看测试、报告看口径。
评估驱动 · 数据沉淀 · 受控采用 · 全球延伸
② 第 17 章 · 模型调优：先降推理成本与延迟
- 推理性能：PD 分离（Prefill/Decode 分开部署与调度）、KV Cache、连续批处理与投机解码——响应变快、Token 变省，是所有 Agent 调优的底座
- 训练方法：SFT 固化已有示范 / Agentic RL 环境反馈优化策略 / 模型蒸馏迁移能力降本，三者可组合
- 验收：候选模型在完整 Agent 中过五门禁（接口兼容/目标收益/能力回归/运行预算/安全硬门禁），灰度四阶段上线，回滚完整发布单元而非单模型权重
第 17 章回答"模型层面能省什么"；第 18 章起回答"Agent 行为层面怎么改"。TTFT 与 Token 成本贯穿全篇。
③ 第 18 章 · Agent 调优总览：数据飞轮
- 调优总览把 Agent 上线后的改进组织成飞轮：持续评估 → 数据沉淀 → 优化 → 回流运行；Evaluator 持续评估持续产出问题信号
- Trajectory Dataset：运行轨迹统一进数据集，成为评估、优化、回归的共同原料；模块按运行事实、评估标注、实验反馈三段衔接
- 改进方向：Prompt / Model / Tool / Skill / Workflow / Harness / 经验召回——先判断问题出在哪一层，再决定改哪一处
第 18 章是调优篇的"地图"：评估发现问题、数据提供原料、优化落地各方向、回流闭环；后续六章都是这张地图的展开。
④ 第 19 章 · Agent 轨迹数据：过程数据怎么记、怎么管
- ATIF 结构：步骤 / 消息 / 工具调用与观察 / 运行指标 / 来源扩展——缺失任何一个都难以复现与归因
- 检索与阅读：TraceID 精确查、SessionID 看连续交互、关键词/语义搜索定位；先看输入输出，再看步骤数、工具调用、Token 与耗时概览
- 三类问题落点：工具失败 / 耗时或 Token 偏高 / 业务质检；失败例与正常例都保留，候选样本经业务确认后再进黄金集
轨迹是数据飞轮的原料来源——没有完整轨迹，第 20 章的加工和第 21 章的黄金集都无从谈起。
⑤ 第 20 章 · Agent 运行时数据处理：把原始数据加工成可评估样本
- Pipeline 处理模块：字段投影/扩展/条件过滤 · 实例构建 · 精确/近似/语义去重 · 随机/分组采样与语义聚类 · LLM/智能体标注 · 文本统计 · 单次/周期执行
- 字段设计：input / output / agent_trajectory 与 trace 字段映射，加工后的样本要能被评估器直接消费
- 质检闭环：抽检 + 人工复核 + 失败回流，样本质量问题在进入评估前被拦截
第 20 章是把"运行时原始日志"变成"评估可用样本"的加工厂；第 21 章在其上做精选。
⑥ 第 21 章 · Agent 黄金数据集：回归与评测的稳定基线
- 建集四步：候选集收集 → 字段说清题目与标准 → 业务确认典型题 → 复核选入黄金集；选题五类：高频 / 已发生 / 边界高风险 / 原本正常题 / 表述多轮
- 字段设计：input 题目 / expected_output 参考答案 / rubric 评分要求 / scenario 场景 / source_ref 来源——可评估、可追溯、可更新
- 三种用法：校准评估器 / 比较版本（基线 vs 候选）/ 回归检查（防退化）
黄金集贵精不贵多：覆盖关键场景的少量样本，价值高于大量低质样本；版本留档让改进可对比、可回滚。
⑦ 第 22 章 · Agent 优化 Badcase：发现问题并验证改进
- 评估发现问题：配置评估器（输入映射 + 评估指标），在真实/黄金样本上试评，找出表现不佳的任务
- 选 Badcase：同种遗漏选代表性几条，同时保留边界场景与正常任务验证退化，避免只改善投诉样本却损害常规回答
- 配实验验证：同一批样本、同一评估口径下比较基线 vs 候选——"一致条件"是结论可信的前提；验证通过再接回 Agent 持续评估
第 22 章是"改进从哪来"：Badcase 提供问题，实验提供证据；多模态场景用三层证据链（输入层/过程层/结果层）评估。
⑧ 第 23 章 · 受控自进化：让走通的方法被稳定采用
- 经验库质量门禁：先选一类值得反复做好的任务，建经验库并检查"解决什么问题 / 建议什么动作 / 什么条件下适用"三件事
- 接入与实验：装召回 Skill、配置、授权，亲自验证一次召回（口头说参考了经验≠真实调用）；用 Baseline 对照实验决定召回阈值/数量/时机/位置/要求
- 资产化与受控采用：稳定方法沉淀为 Skill/SQL/Script/Workflow；失败样本推动 Skill/Harness 改进；按成熟度三档（手动/半自动/受控自动）渐进，每次采用确认四件事并保留回退
第 23 章是"改进怎么落地"：从发现问题到受控采用，改进必须可解释、可回退、可审计。
⑨ 第 24 章 · 边缘运行时与全球优化：空间延伸与数据回流
- 四维度：延迟不对称（网络传输是物理瓶颈）/ 成本不透明 / 安全前置（DDoS·Bot·PI 初筛到边缘）/ 内容适配（HTML→MD）
- 五能力：边缘评估（性能/成本/安全/体验四维）· 性能成本（就近接入/传输优化/语义缓存）· 数据驱动（ESA 观测 + 平台归因/修改/灰度验证/回流）· 内容分发与边缘安全（版本钉扎/区域适配/WebMCP；DDoS·WAF/Bot·AI 护栏三层）· 生产验证（真实流量观测+灰度回滚，与仿真互补）
- 三阶段：基础设施增强 → 能力部署到边缘 → Agent 原生部署边缘（两级运行时 EdgeFunction+RegionFunction）；选择"最低充分架构"，边缘评估数据回流 Region 评估闭环
第 24 章是调优篇的收口：飞轮从 Region 走到全球，边缘数据回流评估，闭环在空间维度上闭合；同时为结语"Agentic OS"愿景铺垫基础设施。
四维度 · 五能力 · 三阶段 · 数据回流
▍逻辑全景图（调优篇主线：模型层 → 总览飞轮 → 数据三支柱 → 问题改进 → 全球延伸）
一条数据飞轮贯穿八章：评估发现问题、数据提供原料、改进受控落地、边缘回流评估
- 模型层与总览
- 数据三支柱
- 问题与改进
- 全球延伸
示意 · 按第 17–24 章主线重构：模型层 → 飞轮总览 → 数据三支柱 → Badcase 改进 → 受控自进化 → 全球延伸，回流闭合