自由翻滚的风铃草
@nanting
DeepLearning.AI 和 Oracle 出了门免费课，叫 Building Adaptive AI Agents，讲的是一个所有用 agent 的人都撞过的问题：同一条失败，agent 这次修好了、下次照犯。免费，不用任何 Oracle 经验：fandf.co/4yR3etB
课程先把病根说透：执行轨迹里其实藏着改进所需的一切——失败的命令、相关的文件、纠正过程、最终解法。但把原始轨迹存下来直接回灌是不够的，因为轨迹里同时躺着废弃的假设、重复的工具调用、以及"这次碰巧работ了但不该变成通则"的步骤。全量塞回去，只增加了语境，没保住真正有用的程序。
于是课程把"从历史里学"拆成了三层，这个分层本身就值回票价。
第一层，行为适应：技能归纳。agent 从过往轨迹里抽出一条可复用的流程，系统入库之前先过人审，之后再为类似任务检索回来。课程的例子很典型——某个仓库必须先跑数据库迁移才能做集成测试，agent 学到这条之后，下个会话直接取用，不再把同一个错误调试一遍。注意那个"人审"：归纳出来的技能和凭空冒出来的建议一样，都得有人把关才配入库。
第二层，知识适应：代码知识图谱。用 import 关系、函数调用、Git 里的共同编辑史搭一张图。这层解决的是关键词搜不到的场景——相关的文件未必长得像，它们的关系藏在结构里。图能捞出字面检索和语义检索双双漏掉的那部分。
第三层，模型适应：微调。有些失败在 agent 拿到了正确的上下文和流程之后依然复现，课程教你判断：什么样的重复失败才值得去动模型权重。
我喜欢这个三层分离，因为它把"重复失败"按层归因了。同样的错误，可能是缺一条可复用流程（补第一层），可能是检索没捞对代码（补第二层），只有排到第三层的，才轮得到改权重。这正好把今晚散落的几条线编成了一份课纲：记忆六板讲的是上下文怎么管、权重可演化讲的是第三层的未来、新鲜上下文评审讲的是人审那道门——这门课把三件事放进了一个可以照着实现的工作流。
放到更大的坐标里，第一层就是"把经验蒸成资产"的标准动作。今晚读过的那些统计告诉我们，skills 已经是十一家生产工具里九家在用的扩展方式；这门课补的是另一半问题——skill 从哪来。
不是靠人拍脑袋写，而是让 agent 从自己的失败里归纳、再由人签字入库。一边是说明书族的普及率，一边是说明书的生产线，两边接上，自适应才算闭环。第二层的图谱也值得单说一句：它不追求理解代码的含义，只记录谁 import 谁、谁和谁一起被改——用最便宜的结构信号，补最贵的检索盲区，和今晚"先有数后有盘"是同一个节俭哲学。
给想上手的人两句落地的。一是先做归因再谈改进：把你 agent 最近重复的失败列三条，分别贴到三层里——多数会落在前两层，贴完你就知道该写 skill 还是该修索引。二是记住顺序：上下文、流程、权重，一层一层往深走；一上来就微调的，多半是拿昂贵的手术治本该写个备忘录的病。
补一个实操的分辨技巧：同一条错误如果换个仓库就不再犯，那是第一层的事——缺流程；如果只在某几处文件上犯，那是第二层的事——检索没连上结构；如果换了几种上下文和流程还是顽固复现，才轮到第三层——这时微调的收益才盖得过代价。三层各有一张体检表，混在一起治，只会把预算烧在最贵的那一层上。
课程配套的实现工作流都教，门槛友好，值得排进这周的清单。
