wuyang6
146 lines
8.6 KiB
Markdown
146 lines
8.6 KiB
Markdown
# 从个人 Agent 到团队 Agent：沉淀可复用的 AI 提效探索
|
||
|
||
## 平台地址
|
||
|
||
- 平台入口：http://10.189.47.6/
|
||
- 平台文档：http://10.189.47.6/doc
|
||
|
||
## Git 地址
|
||
|
||
- 仓库：https://git.n.xiaomi.com/wuyang6/zk-data-agent.git
|
||
|
||
现有 Skill 数量 12 个，涵盖线上数据挖掘、数据生成、日志分析、标签知识、模型打标、训练发起 / 评测等业务功能，提升组内工作效率。
|
||
|
||
## 1. 为什么要做这个
|
||
|
||
个人 AI 提效已经发生了，下一步要解决的是团队复用和流程沉淀。
|
||
|
||
[图片]
|
||
|
||
最初的目标，是提升中控 planning 模型迭代中的数据开发效率。
|
||
|
||
- 日志挖掘、问题分析、数据构造、数据格式化....
|
||
|
||
做的过程中发现，我们发现低效并不只是某个步骤慢，而是三类能力分散在个人手里：
|
||
|
||
- 业务知识分散：哪些日志表可查、哪些字段有用、标签边界怎么判断、问题应该怎么归因。
|
||
- 执行工具分散：脚本、参数、路径、格式转换逻辑和产物规范各自维护。
|
||
- AI 经验分散：有效的 AI 流程、会话历史、修正经验、个人偏好难以共享和继承。
|
||
|
||
类似情况也存在于评测、训练、结果分析、问题排查、线上配置修改等工作中，用于数据开发提效的逻辑也同样适用...
|
||
|
||
所以，这个项目逐渐从一个数据开发提效实践，演化成一个中控数据 Agent：把已经验证有效的业务知识、执行工具和 AI 经验，整理成可以共享、组合和继续迭代的 Skill 与工具链。
|
||
|
||
## 2. 目前做了什么
|
||
|
||
中控数据 Agent 以 Agent Loop 作为执行底座，以业务 Skill 作为核心组织方式，再通过工作区、工具链和记忆机制，把个人经验沉淀成团队可以继续使用和改造的能力。
|
||
|
||
系统的架构：http://10.189.47.6/doc
|
||
|
||
[图片]
|
||
|
||
### 2.1 Skill 热更新与同步
|
||
|
||
平台支持在页面中更新 Skill：当有人新增或修改 Skill 后，可以通过 Skill 面板同步到当前服务，让新的能力进入模型可见列表。这样业务能力可以跟随实际需求快速迭代，不需要每次都改核心 Agent 代码。
|
||
|
||
这一点适合团队协作：
|
||
|
||
- 个人可以先在自己的分支里开发 Skill；
|
||
- 稳定后同步到平台；
|
||
- 其他人可以直接启用和复用；
|
||
- Skill 可以继续被修改、补充和演进。
|
||
|
||
[图片]
|
||
|
||
### 2.2 记忆机制
|
||
|
||
平台目前把记忆分成两类：用户记忆和 Skill 记忆。
|
||
|
||
- 用户记忆：记录个人偏好、常用环境、输出习惯等。
|
||
- Skill 记忆：记录某个 Skill 使用过程中积累的经验、边界和常见坑。
|
||
|
||
这类记忆可以在页面中查看和编辑。使用次数越多，某个 Skill 相关的经验越容易被沉淀下来，后续类似任务可以少重复解释。
|
||
|
||
和常见的“全局用户偏好记忆”相比，这里的重点是把记忆绑定到业务能力上。
|
||
|
||
例如线上挖掘中，哪些字段更可靠、session 应该怎么抽、哪些输出格式容易出错，这些经验更适合沉淀到对应 Skill，而不是混在一个全局记忆里。
|
||
|
||
[图片]
|
||
|
||
典型记忆方法的对比：
|
||
|
||
| 记忆方案 | 主要解决什么 | 典型做法 | 对我们的启发 | ZK Data Agent 的取舍 |
|
||
|---|---|---|---|---|
|
||
| ChatGPT Memory | 个人助手的长期个性化 | 从用户对话、历史聊天、文件、记忆摘要等来源形成个性化上下文；用户可以查看 Memory Sources、纠正、删除或关闭记忆。OpenAI 文档也强调，删除某条记忆并不等于删除所有来源，完整删除需要处理过去聊天、文件、连接应用等源头。(OpenAI Help Center) | 记忆必须用户可管理、可纠正、可删除、最好能追踪来源。 | 保留“用户记忆”，记录个人偏好、输出习惯、常用约定 |
|
||
| Claude Code / CLAUDE.md + Auto Memory | 项目规则、工程约定、代码库经验沉淀 | CLAUDE.md 保存显式项目规则；Auto Memory 使用 MEMORY.md 作为索引，并把详细内容拆到 debugging.md、api-conventions.md 等主题文件。Claude Code 会在启动时加载 MEMORY.md 前 200 行或 25KB，主题文件按需读取；这些 memory 文件是 Markdown，可编辑、可删除。(Claude Platform Docs) | 记忆应该透明、文件化、可编辑、可版本化；同时要用“索引 + 主题文件”避免全量注入。 | 记忆正文落到 Markdown，用户可在页面编辑 |
|
||
| LangGraph / LangMem | Agent 的会话状态、长期记忆、异步整理 | LangGraph 区分 thread-scoped short-term memory 和跨 session 的 long-term memory；长期记忆通过 namespace 隔离。LangMem 则提供从对话中抽取、合并、更新长期记忆的工具，并支持 hot path 写入和 background memory manager。(LangChain 文档) (LangChain AI) | 记忆需要分层：会话状态、用户长期记忆、Skill 规则、历史经验不是一类东西；写记忆也应区分同步和异步。 | 第一阶段不先上复杂检索框架，但借鉴其结构：主链路只记录候选记忆事件，后台异步整理；注入时按 user_id + skill_id + task_type 精准选择。 |
|
||
| Mem0 | 通用 AI 应用 / Agent 的持久记忆层 | Mem0 把记忆分为 conversation、session、user、organizational 等层；通过 user_id、run_id、metadata 做作用域隔离，并在查询时合并召回不同层级的记忆。(Mem0) | 记忆的 scope 和生命周期应该是数据模型的一等字段，而不是临时写进 prompt。 | 当前先按用户和 Skill 精准注入，不先上复杂检索层 |
|
||
| Zep | 企业级 Agent Memory、时序知识图谱、动态事实更新 | Zep 从聊天、业务数据、文档、JSON 等来源构建 temporal Context Graph；图中包含实体、关系和事实，事实变更后会 invalidating outdated facts，同时保留历史。它还会生成 token-efficient Context Block 给 Agent 使用。(Zep) | 对业务 Agent 很重要的一点是：记忆不能只追加，还要能处理事实过期、口径变化、历史保留、当前有效状态。 | 采用后台异步整理，避免影响主任务执行 |
|
||
| ZK Data Agent | 团队业务 Skill 的持续复用 | 用户记忆 + Skill 核心记忆 + Skill 归档记忆 + 异步整理队列 + Markdown 可编辑。主任务执行时，只注入当前用户和当前 Skill 相关的高优先级记忆。 | 核心目标不是“什么都记住”，而是把反复纠正、反复复用、业务相关的经验沉淀到对应 Skill 上。 | 第一阶段采用轻量、可控方案：Markdown 可编辑、按 Skill 精准注入、后台异步整理、作用域隔离。 |
|
||
|
||
### 2.3 Jupyter 工作区入口
|
||
|
||
很多实际工作最终还是要落到远端环境里执行，例如：
|
||
|
||
- 修改线上配置
|
||
- 发起模型训练-cloudml / 分析训练结果
|
||
- 读取 juiceFS 数据和产物
|
||
|
||
平台支持把 Jupyter / 远端工作区绑定到当前用户或会话。Agent 在执行任务时，可以围绕当前工作区读写文件、运行脚本、整理结果。
|
||
|
||
这个能力的价值在于：AI 不只停留在本地聊天和文本生成，而是可以进入真实工作环境，衔接已有的数据、脚本和训练流程。
|
||
|
||
[图片]
|
||
|
||
## 3. 我们在怎么用
|
||
|
||
### 3.1 数据挖掘的例子
|
||
|
||
会话链接：http://10.189.47.6/session/__LOCALID_0lj28j5i
|
||
|
||
[图片]
|
||
|
||
[图片]
|
||
|
||
### 3.2 标签大师的例子
|
||
|
||
会话链接：
|
||
|
||
- http://10.189.47.6/session/__LOCALID_HP8pkRE
|
||
- http://10.189.47.6/session/__LOCALID_bextxgj0
|
||
|
||
[图片]
|
||
|
||
### 3.3 线上正则干预的例子
|
||
|
||
- http://10.189.47.6/session/__LOCALID_dgjr9shm
|
||
|
||
## 4. 实际效果
|
||
|
||
| 场景 | 原流程 | 当前流程 | 粗略提效 | 产出 |
|
||
|---|---:|---:|---:|---|
|
||
| 线上问题分析 / 评测集构建 | 1～2 天 | 30 分钟内 | 约 16～32 倍 | 目前已构造 5 个评测集，2000+ 数据 |
|
||
| 数据构造与格式转换 | 1～2 小时 | 10 分钟内 | 约 6～12 倍 | |
|
||
| 线上配置修改（熟练工） | 20 分钟 | 2 分钟 | 约 10 倍 | |
|
||
|
||
[图片]
|
||
|
||
## 5. 总结
|
||
|
||
这次实践的起点很具体：提升中控 planning 模型迭代中的数据开发效率。
|
||
|
||
做下来之后，我们验证了一个更通用的方向：很多 AI 提效能力，真正有复用价值的部分，往往不是某一次对话结果，而是背后的业务知识、执行脚本、流程经验和修正记录。
|
||
|
||
中控数据 Agent 目前做的事情，就是把这些分散能力整理成团队可以复用的 Skill 和工具链：
|
||
|
||
- 个人经验可以沉淀成 Skill。
|
||
- Skill 可以被同步、启用和组合。
|
||
- 使用过程中的修正经验可以进入记忆。
|
||
- Jupyter 工作区让 Agent 能连接真实执行环境。
|
||
|
||
后续继续迭代的重点可以放在三件事：
|
||
|
||
- 扩展更多高频业务 Skill。
|
||
- 提升 Skill 记忆和团队经验沉淀质量。
|
||
- 把数据开发、评测、训练、线上问题分析这些流程打通得更稳定。
|