企业手搓 Agent 进化飞轮的现状当谈及 Agent 进化时通常涉及员工办公和企业业务两类场景。前者中Coding Agent、通用 Agent 加速进化用户越用越喜欢后者仍处于各企业自行观测、评估、优化积累业务实践经验的阶段。进化飞轮一般分为数据采集、数据集构建、效果评估、进化资产沉淀 4 个步骤但影响 Agent 行为的因素更多带来新工程难点是以往 LLM - as - Judge 范式难以应对的。数据采集难在于单点变拓扑schema 不再稳定存储和埋点成本是 LLM - as - Judge 的几十倍且目前无事实标准企业基本自行摸索。数据集构建难是因为定义好的数据样本更难人工难以判断轨迹是否为好样本且脱敏需结构化处理。效果评估难需分层三层结论可能完全不同。沉淀进化资产难经验难以标准化导致企业即便完成前三步资产落地仍不确定。因此Agent 上线且服务用户增多但企业拥有的可进化资产可能未增加。阿里云 AgentLoop 的实践AgentLoop 是阿里云推出的面向企业级智能体的一站式自进化平台助力企业构建智能体进化数据飞轮。第一环全栈观测分析通过 LoongSuite 的开源自动插桩框架将采集对象升级为完整的 Trajectory 执行轨迹。LoongSuite 融合三层语义规范覆盖 55 个 GenAI 语义字段有效字段覆盖率 84%竞品最高仅 51%。采集的 Trajectory 提供四类交叉印证的诊断视图可精确到“某一轮 LLM 多步冗余循环调用”。第二环 Agent Ontology Pipeline基于 UModel 构建 Agent Ontology让观测数据图谱化打破数据孤岛。叠加自动化 PipelineTrace2Dataset自动构建 Golden Dataset 和 BadCase Dataset可节省 90% 以上的 Token 消耗与时间成本。第三环内置标准化评估器采用 Agent - as - a - Judge 评估器将该评估范式产品化。提供 13 个标准评估器支持多种评估方式。第四环记忆库与经验库将问题分解为数据驱动的 Agent 调优和 Trajectory 驱动的自进化闭环两条路径并提供记忆库与经验库两个独立组件。记忆库沉淀用户偏好和历史上下文经验库聚焦成功模式提取与复用。进化飞轮是企业智能体下半场的发令枪由于进化飞轮基础设施不完善多数企业智能体上线即落后陷入恶性循环。LangChain 和 Databricks 的报告显示了企业在评估方面的不足。阿里云 AgentLoop 期望凭借完善的进化飞轮基础设施与企业共同开启企业智能体下半场。目前 AgentLoop 正在邀测期欢迎加入用户服务钉群申请邀测资格。