近 7000 家门店、每天大量真实对话,正在成为无限极 AI 助手“灵知”改进能力的训练素材。我们注意到,关键变化不是 Agent(能自主调用工具完成任务的 AI 程序)上线,而是阿里云 AgentLoop 把运行日志加工成可评估、可回流的持续改进闭环。

这是什么

无限极依托三类专属知识库,为门店伙伴提供产品素材、销售话术、团队辅导和业务办理支持。过去,系统记录了每次应答的完整链路,但主要被当作日志使用;问题样本依赖人工翻查,Prompt(给大模型设定的任务指令)修改经验也留在个人手里。

新的做法是将链路拆成七个环节:可观测接入、数据处理、评估、人工标注、数据回流、经验挖掘和经验接入。用户反馈先关联到具体回答及其运行链路,再由系统按准确性、相关性、安全性和工具调用正确性打分。低分样本进入人工审核,通过后的经验再回接 Agent。

阿里云的 AgentLoop 承担数据加工和经验生产,无限极自建的“灵枢”负责人工标注与审核。两者分工意味着,这不是完全自动的自我进化,而是把人的判断嵌入一条可追踪的流程。

行业怎么看

这件事释放了一个明确信号:企业竞争 AI 应用的焦点,正从“能否回答”转向“能否持续改进”。对于拥有大量真实业务对话的公司,线上轨迹本身就是稀缺的质量数据;能否把投诉、错误调用和优秀答案对应起来,比简单扩大模型参数更接近实际业务价值。

但闭环并不天然可靠。阿里云方案的成本也主要来自数据治理:Trace(一次 Agent 执行过程的结构化记录)必须经过抽取、脱敏、去重和标准化,反馈与链路的字段映射还涉及根节点和子节点的上下文传递。自动评估若存在偏差,可能把错误经验重新写回系统;人工标注若缺少统一标准,规模化后仍会形成新的瓶颈。

因此,“无限极”在方案名称中带有产品宣传色彩。AgentLoop 能否复制到其他企业,还取决于业务数据质量、知识库治理、评估器准确率和团队执行能力,而不是只靠平台接入。

对普通人的影响

对企业 IT:企业采购 Agent 时,评估重点会从演示效果转向可观测性、数据回流和治理能力。能够说明失败样本如何被处理、经验如何审核的方案,更适合进入核心业务。

对个人职场:门店销售、客服和运营人员会逐渐面对更主动的 AI 助手。短期内,关键不是“被 AI 替代”,而是工作结果、优质话术和客户反馈更容易被系统沉淀与复用,经验型岗位的差距可能因此拉大。

对消费市场:消费者向 AI 助手反馈一次差体验,背后可能对应完整质量追踪和改进流程。类似机制进入电商、客服与本地生活后,AI 服务会从通用回答转向更贴近具体企业的持续优化。