本次分享结合一系列研究工作，探讨递归自我改进（RSI）的关键问题与解决方案。在技能与执行层面，SkillOpt 依据执行反馈更新可复用技能，HarnessOpt 协调工作流、工具、记忆与恢复机制的改动；在训练与评估层面，EnvOpt 随学习者的变化调整可执行训练环境，支持模型迭代训练，EvalOpt 则基于人类偏好改进评估与反馈策略，以更好地支持开放式任。

RetriEvolver 展示了自我演进在异构检索系统中的应用成效。分享还将结合实验结果与失败案例，讨论如何明确改进对象、以证据指导改动并验证效果，据此保留有效改进、积累经验。

演讲提纲

1. 递归自我改进：从执行经验到能力提升
   1. 改进对象：技能、执行系统、训练环境与评估机制各自解决什么问题
   2. 闭环设计：从任务反馈中提出改进、验证效果并积累经验
   3. 设计取舍：选择优化切入点，兼顾改进效果、优化成本与稳定性
2. Skill 与 Harness：技能与执行系统的自我改进
   • SkillOpt：依据执行反馈优化可复用技能
   • HarnessOpt：协同改进工作流、工具、记忆与恢复机制
   • RetriEvolver：HarnessOpt 在异构检索系统中的应用实践
3. 模型训练与评估：优化学习过程本身
   • EnvOpt：随学习者能力变化调整可执行训练环境，支持模型迭代训练
   • EvalOpt：基于人类偏好改进评估与反馈策略，支持开放式任务
4. 总结与展望

听众收益

• 理解 Skill、Harness、模型训练与评估层面的自我改进方法及其适用范围
• 获得从任务反馈到效果验证的闭环设计思路，判断哪些改动值得保留和复用
• 结合自身系统识别优化切入点，规划可逐步实施、可验证的演进路径

背景: 线上故障根因定位

现状: 变更 / 日志 / 链路 / 容量 /DB 多系统割裂, 人工串行排查,MTTR 高、强依赖专家, 传统告警只能"发现", 不能"定位"; 规则化脚本难以覆盖复杂故障；

目标: 从"人找根因"到"Agent 自动给结论", 压缩应急响应时间

方案: 多智能体应急排查系统诊断 → 处置 → 复盘与预防 → 持续进化

演讲提纲

1. 多 Agent 协同排查：从多源信息到故障诊断
   • 基于 oxygent 框架的 Multi-Agent 编排:main_agent → app_agent →(dispatch → analysis)
   • “6+1”领域专家 Agent：变更、日志、链路、维度、容量、数据库，以及按需触发的业务监控 Agent
2. 主动式应急：从被动问答到主动协同
   • 基于 Hermes 框架，结合现场上下文、知识与 Skills，主动推进信息采集、人员协同、处置跟进和恢复收口
   • 根据现场进展判断何时介入、找谁协同、何时保持静默，实现人机“协同智能”
3. 故障复盘与风险前置：从应急处置到研发预防
   • 故障复盘 AI 化：汇聚现场沟通与排查记录，辅助还原故障时间线、梳理根因证据和生成改进建议
   • 风险代码举一反三：探索将历史故障中的风险代码模式复用于 AI 代码评审（AICR），识别相似隐患
   • 技术方案风险预审：探索将故障经验用于技术方案评审（TRD），在设计阶段识别风险、提出改进建议
4. 经验沉淀与持续进化：让每次应急成为下一次的经验
   • Skills自进化：从执行轨迹与现场反馈中识别流程缺陷，持续改进排查步骤、工具使用和协同规则
   • 知识自进化：蒸馏故障根因、处置方法与风险模式，形成可复用的故障知识

听众收益

• 了解多 Agent 协同排查与主动式应急的架构设计
• 学习领域Skills 演进、知识沉淀的方法

企业 Agent 要持续提升任务能力，需要不断更新对业务的理解，并将任务中的发现沉淀为可复用的知识。然而，企业事实分散在代码、数据库和各类平台中，业务持续变化，单次对话中的经验也难以跨任务积累。如何让 Agent 的业务理解持续演进，并验证每次改进是否有效？

本次分享将介绍蚂蚁集团 AntOntology 的设计与实践，阐述如何通过统一的业务对象、属性与关系，连接分散的企业事实，为 Agent 提供可发现、可查询、可追溯的业务上下文。进一步结合 Agent 辅助本体挖掘、领域审核、分层评测与失败归因，介绍业务知识从发现、验证到发布和复用的持续演进机制。最后通过实际案例，讨论 Ontology 如何与 Skill、Agent 执行系统及权限治理协作，为 Self-Evolving Agents 构建可积累、可验证的企业知识底座。

演讲提纲

1. 企业 Agent 的成长：从通用能力到业务认知
   • 理解瓶颈：业务语义分散、跨系统关系缺失、任务经验难以复用
   • 进化对象：企业知识、业务关系与任务方法
2. 蚂蚁集团 Ontology 的设计与构建
   • 统一语义：以对象、属性和关系组织业务知识，按需连接权威数据源
   • 辅助构建：Agent 挖掘候选知识，经证据追溯、领域审核与验证后使用
3. 从任务反馈到持续进化的工程闭环
   • 反馈驱动：从真实任务中发现知识缺口，完善本体并沉淀 Skill
   • 效果验证：结合接口探测、语义与推理评测、失败归因和回归验证，检验改进效果
4. 工程实践与落地经验
   • 应用案例：排障、业务上下文查询与周期巡检
   • 设计取舍：语义一致性、知识时效性、运行时权限，以及自动更新与人工审核的平衡

听众收益

• 掌握企业 Agent 知识底座的设计方法。 理解 Ontology 与 RAG、Memory、Skill 的分工，学会通过业务对象、属性和关系组织跨系统事实，为所在团队设计可共享、可持续维护的业务上下文
• 获得 Agent 持续积累业务知识的工程实施路径。 借鉴代码与数据源挖掘、证据溯源、领域审核及能力发布流程，明确自动化与人工审核的职责，规划新业务领域的接入和知识更新机制
• 建立评估和改进 Agent 能力的方法。 利用分层评测与执行轨迹，区分知识缺口、工具异常和规划问题，定位建设瓶颈，并通过回归验证判断改进是否有效，为技术选型和研发投入提供依据