CopilotKit lance CLiF : une plateforme d'apprentissage continu qui transforme traces d'agents et actions des utilisateurs en compétences, évaluations et données de fine-tuning
CopilotKit, l'éditeur du framework open source du même nom et du protocole AG-UI, a lancé en accès anticipé CLiF, une plateforme d'apprentissage continu fondée sur ce qu'il appelle des trajectoires « full-stack ». Le principe consiste à capturer de façon sécurisée, sur une seule et même chronologie, ce que fait l'agent (exécutions, appels d'outils, changements d'état et leurs résultats) et ce que font les utilisateurs dans le produit (contenu de l'écran, boutons cliques, requêtes serveur déclenchées, et conversation éventuelle avec l'agent). Cette trace unifiée alimente une boucle en quatre étapes, bâtie sur la fonction Automatic Learning de CopilotKit, qui produit des compétences (skills), des évaluations issues de la production, des jeux de données de fine-tuning et des exports bruts. Chaque compétence est relue par un humain, et la plateforme fonctionne entièrement en auto-hébergement. Le projet CopilotKit compte plus de 38 000 étoiles sur GitHub.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de MarkTechPost. Lire l'article original →
L'enjeu est très concret pour les équipes qui déploient des agents. Même construits sur des modèles de premier plan comme Fable ou Astra, les agents peinent à accomplir de façon fiable des tâches complexes de bout en bout dans un produit précis. Les équipes écrivent donc à la main des centaines, voire des milliers de cas d'évaluation, puis améliorent l'agent par petites touches (prompts, correctifs du harnais, cas particuliers) jusqu'à ce qu'il en réussisse assez pour être mis en production. CLiF vise à remplacer ce travail laborieux par un signal tiré de l'usage réel. Il s'attaque aussi à d'autres points de friction cités par l'éditeur : le gonflement du contexte, les coûts, la fragmentation des outils et l'usage d'IA « fantôme » en entreprise. Selon CopilotKit, la manière dont les utilisateurs accomplissent réellement leur travail constitue le jeu de données le plus précieux d'une équipe, mais il est rarement capté sous une forme exploitable par un agent.
Ce positionnement répond à une limite de l'observabilité actuelle. Les outils de traçage d'agents enregistrent prompts, appels d'outils et sorties du modèle, ce qui montre où l'agent se trompe sans révéler le bon chemin. À l'inverse, l'analytique produit (clics, entonnoirs, replays de session) est conçue pour être lue par un humain dans un tableau de bord, pas pour enseigner ou tester un agent. Dans la plupart des architectures de production, ces deux sources ne se retrouvent jamais sur la même timeline. Comme AG-UI se place déjà entre l'agent et l'utilisateur et diffuse les événements de l'agent vers l'interface, CopilotKit y ajoute la capture des actions utilisateur dans le même flux, sans pipeline analytique séparé à recoller ensuite. Chaque session devient une trajectoire que l'on peut rejouer pas à pas dans CopilotKit Intelligence, dont CLiF fait partie. L'éditeur illustre la démarche par un exemple où l'agent apprend comme les chefs d'équipe clôturent réellement un sprint.
Pas d'impact direct sur la France/UE