AgentLoop 的经验自进化飞轮分六步运转:观测 Trace 采集模型、工具、错误、恢复过程与最终结果;清洗 Trajectory 把原始 Trace 去噪为标准轨迹(数据量约为原 Trace 的 4%–6%);经验挖掘提炼成功路径、反模式、参数规则与恢复策略;评估门禁以成功率、稳定性和单位成功成本验证,有效经验才入库;按需召回在关键决策点注入少量经验;更优执行让关键节点少走弯路,新 Trace 再回流下一轮。沉淀的是"怎么做"的方法论而非重复保存日志,且不改模型权重,可快速更新、限制范围或下线。参考实验中,正确率从 7.1% 提升到 36.1%,Token 消耗下降 6.8%。整体效果是从"偶尔做对"走向"稳定上线":平均质量上升、运行下限上升、结果波动下降、单位成功成本下降。飞轮覆盖成本分析、容量巡检、网关自检、主动通知、故障根因分析、日常工作六类真实 SRE 场景。




