CopilotKit lance CLiF : une plateforme d'apprentissage continu qui transforme les traces d'agents et les actions des utilisateurs en…

Introduction

Les équipes qui déploient des agents IA à grande échelle se heurtent toujours au même schéma. Même les agents construits sur des modèles de premier plan comme Fable et Astra peinent à accomplir des tâches complexes, de bout en bout, dans un produit spécifique avec une fiabilité suffisante pour être déployés. Les équipes élaborent donc des évals pour les flux de travail les plus importants, souvent des centaines ou des milliers de cas écrits à la main, puis améliorent l'agent peu à peu au moyen de modifications de prompts, de corrections du harnais et de cas particuliers, jusqu'à ce qu'il en réussisse assez pour être mis en production.

Pendant ce temps, les propres utilisateurs du produit accomplissent ces mêmes tâches chaque jour et savent quelles actions entreprendre et dans quel ordre. CopilotKit, l'entreprise derrière le framework open source CopilotKit et le protocole AG-UI, a publié CLiF, une plateforme d'apprentissage continu à partir de trajectoires full-stack, en accès anticipé. CLiF capture de manière sécurisée ce que fait l'agent et ce que font les utilisateurs dans le produit, et transforme cet enregistrement en compétences, en évals basés sur la production et en jeux de données de fine-tuning, le tout exportable avec les trajectoires brutes.

CopilotKit est open source, avec plus de 38,000 étoiles sur GitHub.

TL;DR

• Le traçage des agents montre où un agent s'est trompé, tandis que le chemin correct se trouve dans ce que les utilisateurs font dans le produit, ce que la plupart des stacks ne capturent jamais.
• CLiF, désormais en accès anticipé, apprend à partir de trajectoires full-stack : la trace de l'agent et les actions de l'utilisateur dans le produit, capturées de manière sécurisée sur une seule timeline via AG-UI.
• Une boucle en quatre étapes, construite sur l'Automatic Learning de CopilotKit, transforme ces trajectoires full-stack en compétences, en évals basés sur la production, en jeux de données de fine-tuning et en exports bruts, avec une revue humaine de chaque compétence.
• Un exemple concret montre comment les agents apprennent la manière dont les chefs d'équipe clôturent réellement un sprint.
• CLiF cible les problèmes qui ralentissent les équipes d'agents, notamment les évals, le gonflement du contexte, le coût, les stacks fragmentés et l'usage fantôme de l'IA, et fonctionne entièrement en auto-hébergement.

Ce que le traçage des agents ne voit pas

La plupart des observabilités d'agents aujourd'hui sont centrées sur l'agent. Les outils de traçage capturent les prompts, les appels d'outils et les sorties des modèles, ce qui montre où l'agent s'est trompé tout en laissant le chemin correct hors du champ. L'analytique produit couvre l'autre côté avec les clics, les tunnels de conversion et les relectures de sessions, mais ces données sont conçues pour une personne lisant un tableau de bord plutôt que pour apprendre une tâche à un agent ou le tester. Dans la plupart des stacks d'agents en production, les deux ne se retrouvent jamais sur la même timeline.

Cet écart compte parce que l'agent apprend un produit à partir des prompts, des compétences, des descriptions d'outils et des API exposées, et doit déterminer par lui-même comment ces éléments s'articulent pour une tâche réelle. Les personnes qui utilisent le produit ont déjà résolu ce problème, souvent des centaines de fois. La vision de CopilotKit, exposée dans son explicatif sur l'apprentissage des agents, est que la manière dont les utilisateurs accomplissent réellement leur travail est le jeu de données le plus précieux dont dispose toute équipe d'agents, et qu'il est rarement capturé sous une forme dont un agent peut apprendre.

Les trajectoires full-stack : le signal d'entraînement sur lequel CLiF est construit

CLiF fait partie de CopilotKit Intelligence et est construit autour d'une primitive unique, la trajectoire full-stack. Elle est capturée via AG-UI (Agent-User Interaction Protocol), le protocole open source créé par CopilotKit pour connecter les agents aux applications orientées utilisateur. Comme AG-UI se situe entre l'agent et l'utilisateur sur n'importe quelle surface, il peut voir les deux côtés d'une tâche :

• Trajectoire de l'agent (trace de l'agent) : chaque exécution, chaque appel d'outil et chaque changement d'état effectués par l'agent, et ce que chacun a renvoyé.
• Trajectoire produit (actions utilisateur) : ce qui s'affichait à l'écran de l'utilisateur, les boutons sur lesquels il a cliqué et les requêtes serveur qu'il a déclenchées. Si l'utilisateur dialogue avec l'agent en cours de route, cette conversation s'inscrit sur la même chronologie, dans l'ordre.

Ensemble, cela constitue une trajectoire full-stack.

AG-UI diffuse déjà les événements de l'agent vers le frontend, donc capturer de manière sécurisée les actions utilisateur via le même protocole réunit les deux moitiés dans un seul flux dès le départ, sans pipeline d'analytique distinct à assembler ensuite. Chaque session utilisateur devient une trajectoire unique qu'une équipe peut ouvrir dans CopilotKit Intelligence et rejouer étape par étape, avec les clics, les requêtes serveur et les messages de l'agent dans l'ordre où ils se sont produits.

Au cœur de CLiF : des trajectoires aux compétences, évaluations et données d'entraînement

CopilotKit décrit la boucle d'apprentissage en quatre étapes.

1. Capture. Les trajectoires affluent vers CopilotKit Intelligence et sont assignées à des conteneurs d’apprentissage, qui délimitent l’apprentissage à un type de travail, comme le support de facturation ou l’intégration des clients. Le runtime choisit le conteneur pour chaque session via le callback getTrajectoryLearningContainerIds, et les sessions peuvent être déplacées vers un autre conteneur ou hors d’un conteneur ultérieurement dans l’interface Intelligence. Chaque conteneur n’apprend qu’à partir de ses propres sessions.

2. Trouver des motifs. L’analyse s’exécute selon un calendrier une fois qu’un conteneur dépasse un seuil défini de nouvelles sessions, et les équipes peuvent également la déclencher manuellement. Chaque exécution travaille à partir d’un instantané figé des sessions du conteneur et fait remonter des Insights : demandes récurrentes, corrections répétées et frictions que les utilisateurs contournent silencieusement. CopilotKit considère cette friction comme le signal le plus fort, car elle a tendance à se répéter sur des milliers de sessions et montre exactement ce que l’agent doit apprendre ensuite. Chaque Insight cite les événements spécifiques qui le sous-tendent et renvoie directement à la trajectoire source.

3. Examiner. Lorsque les éléments de preuve soutiennent une leçon réutilisable, CLiF la propose sous forme de skill, écrit comme un simple fichier SKILL.md. Le service d’analyse ne peut rien publier de lui-même : une personne approuve ou rejette chaque proposition, soit dans l’interface Intelligence, soit via la CLI CopilotKit. Les skills publiés sont versionnés et peuvent être retirés à tout moment.

4. Livrer et exporter. Les skills publiés parviennent à l’agent sans redéploiement, et les équipes qui ont besoin de stabilité peuvent épingler l’agent à une révision de skill fixe. Pour tout autre agent ou serveur MCP, les skills peuvent être téléchargés sous forme de fichiers simples avec copilotkit skills download <container> –output <dir>. Les trajectoires elles-mêmes peuvent être exportées sous forme de données d’événements brutes depuis le tableau de bord Intelligence. Pour l’accès anticipé , les équipes, le même pipeline produit également des candidats d’évaluation et des jeux de données de fine-tuning à partir de ces trajectoires.

Trajectoires d’agents : apprentissage automatique dans CopilotKit Intelligence

Côté agent, CLiF s’appuie sur Automatic Learning, la capacité de CopilotKit Intelligence que CopilotKit présente également comme le fondement des agents auto-améliorants. Automatic Learning apprend des conversations que les utilisateurs ont avec l’agent. CLiF étend la même boucle aux trajectoires produit, de sorte qu’il apprend aussi du travail que les utilisateurs effectuent directement dans le produit, en dehors du chat.

Chaque conversation d’agent est stockée intégralement via AG-UI Streams: messages, appels d’outils, UI générative, état, approbations et fichiers. Les développeurs choisissent quels fils de discussion comptent comme preuves en renvoyant un ID de conteneur depuis le callback getLearningContainerId sur le runtime CopilotKit, qui est l’équivalent côté agent du callback de trajectoire. Les équipes qui ont déjà un agent en production peuvent importer l’historique existant depuis un LangGraph Server ou un LangSmith Deployment au lieu de partir de zéro.

La livraison des skills fonctionne grâce à des adaptateurs pour LangGraph (Python et TypeScript), Mastra, Google ADK, Microsoft Agent Framework, l’agent intégré de CopilotKit, et d’autres. L’adaptateur ajoute un catalogue et deux outils, copilotkit_load_skill et copilotkit_read_skill_file, et le modèle charge un skill lorsque la tâche le requiert. Les instructions des développeurs conservent la priorité, de sorte que les skills ne peuvent pas outrepasser le rôle de l’agent, ses règles de sécurité ou ses restrictions d’outils.

Au-delà des skills : évaluations, données de fine-tuning et trajectoires brutes

Les skills ne sont que le premier résultat. Les mêmes trajectoires alimentent au total quatre résultats, tous exportables vers la pile existante d’une équipe :

1. Des skills pour des agents ou serveurs MCP, construits à partir de motifs qui se répètent sur de nombreuses sessions.
2. Des évaluations basées sur la production, construites à partir de tâches réellement effectuées par les utilisateurs, y compris les entrées et cas limites auxquels personne n’avait pensé à écrire à la main. Elles peuvent être exportées vers la plateforme d’évaluation qu’une équipe utilise déjà.
3. Des jeux de données de fine-tuning issus de trajectoires de tâches réelles, destinés à entraîner des modèles ouverts plus petits et plus rapides sur les flux de travail les plus fréquents d’une entreprise.
4. Des trajectoires brutes de la pile complète qui peuvent être exportées vers n’importe quelle plateforme d’observabilité ou utilisées comme une équipe le souhaite.
   

CopilotKit estime que les équipes devraient conserver les outils d’évaluation et d’observabilité qu’elles utilisent déjà, et CLiF fournit les données qui manquaient à ces outils.

CLiF en action : un exemple concret

Imaginez que vous êtes le CTO d'une plateforme de gestion de projet similaire à Linear, où les équipes d'ingénierie planifient des sprints et suivent les tickets. Vous souhaitez que des agents prennent en charge les tâches routinières de votre produit de manière fiable, qu'il s'agisse de votre propre agent intégré ou d'agents externes comme Claude que les clients connectent via votre serveur MCP. La clôture de sprint est l'une des premières tâches de la liste.

Votre plateforme dispose déjà d'une option en un clic qui déplace tous les tickets non terminés vers le sprint suivant, et votre documentation décrit la clôture exactement de cette manière. Ainsi, un agent chargé de clôturer un sprint fait précisément cela et reporte tous les tickets non terminés.

Une fois que CLiF capture de manière sécurisée les trajectoires d'utilisation du produit, des milliers de clôtures montrent que les responsables d'équipe sur votre plateforme font bien plus que cela. La plupart utilisent l'option en un clic, puis passent les minutes suivantes à corriger le résultat :

• Ils renvoient au backlog les tickets qui avaient déjà été reportés une fois et leur retirent leur assignation.
• Ils commentent les tickets bloqués, en mentionnant la personne responsable du blocage.

Personne dans votre équipe n'a conçu cette routine, et peu d'utilisateurs sauraient la décrire si on le leur demandait. Elle n'existe que dans les clics et les requêtes qui suivent l'action en un clic. Les traces d'agent ne la voient jamais, car ce sont les utilisateurs qui la font eux-mêmes. L'analytique produit enregistre les clics supplémentaires sans leur signification, et repérer le schéma dans les rediffusions de sessions reviendrait à visionner des milliers d'enregistrements.

CLiF fait remonter la routine sous forme d'Insight, en citant les sessions exactes qui la sous-tendent, et propose une compétence pour l'intégralité de la clôture. Après examen et publication par votre équipe, votre agent intégré la récupère sans redéploiement, et vous livrez la même compétence avec votre serveur MCP afin que Claude et les autres agents connectés la suivent également. À mesure que les habitudes des utilisateurs évoluent, de nouvelles sessions maintiennent la compétence à jour, et l'Insight vous montre aussi où votre propre fonctionnalité est en défaut.

Ces mêmes sessions deviennent des cas d'évaluation qui vérifient si un agent traite chaque problème de la même manière que les responsables d'équipe sur votre plateforme, ce qui vous permet de confirmer que les agents sont prêts avant de leur confier la tâche. Elles peuvent aussi devenir des données d'entraînement si vous affinevez plus tard un modèle plus petit pour des travaux de planification.

Comment CLiF répond aux difficultés qui ralentissent les équipes d'agents en 2026

Pour les responsables techniques qui font tourner des agents à grande échelle, CopilotKit présente CLiF comme une réponse à un ensemble familier de problèmes.

• Faire passer les agents les évaluations: pour la plupart des équipes, la partie la plus lente de la mise en production d'un agent consiste à lui faire réussir suffisamment d'évaluations sur les flux de travail qui comptent. Les compétences apprises à partir de la manière dont les utilisateurs accomplissent ces flux fournissent à l'agent les étapes qui lui manquaient. Les évaluations basées sur la production ajoutent ensuite les cas limites rencontrés par les utilisateurs en pratique, si bien que la suite d'évaluations continue de croître avec l'usage réel.
• Saturation du contexte et surcharge d'outils: chaque erreur d'un agent se traduit généralement par une règle supplémentaire dans le prompt système ou un outil de plus sur l'agent. Avec le temps, le contexte se remplit et le comportement devient plus difficile à prédire. CLiF conserve plutôt le comportement appris dans un catalogue de compétences, et le modèle ne charge une compétence que lorsque la tâche l'exige.
• Coût: les agents ont tendance à devenir plus coûteux à mesure qu'ils gagnent en outils et en longueur de prompts. Les jeux de données d'affinage issus de trajectoires réelles offrent aux équipes une voie pour déplacer les flux de travail à fort volume vers des modèles ouverts plus petits et moins chers, et les conteneurs par flux de travail montrent où un agent peine et où il ne peine pas.
• Piles fragmentées: les grandes organisations ne se limitent que rarement à un seul framework d'agents, et leurs agents vivent dans des applications web, des applications mobiles, Slack et Teams. CLiF fonctionne sur AG-UI, il est donc compatible avec n'importe quel harnais d'agent et n'importe quel modèle sous-jacent. AG-UI est pris en charge par Google, Microsoft, Anthropic, Amazon et Oracle, ainsi que par des frameworks dont LangChain, Mastra, Pydantic AI, Google ADK, entre autres.
• Adoption d'agents hors de toute supervision centrale: à mesure que les équipes adoptent les outils d'agents de leur propre chef, il devient plus difficile de savoir ce que chaque agent a appris et pourquoi. Chaque compétence CLiF passe par une revue humaine, remonte aux sessions dont elle provient et reste versionnée et réversible. L'ensemble de la plateforme peut aussi fonctionner dans l'infrastructure propre d'une entreprise.

Auto-hébergé par conception

CLiF est entièrement auto-hébergeable. CopilotKit Intelligence peut être auto-hébergé sur le cluster Kubernetes propre à une entreprise avec un chart Helm, ou sur AWS ECS et Fargate, avec le Postgres, le Redis et le fournisseur d'identité de l'équipe, comme Okta, Azure AD ou Keycloak.

Les trajectoires, les compétences et tout ce qui en est appris restent dans le VPC de l'entreprise ou dans son environnement sur site, si bien que l'activité des utilisateurs et les traces d'agents n'ont jamais besoin de quitter son réseau. Les traces peuvent aussi transiter vers un collecteur OpenTelemetry existant. CopilotKit Intelligence fonctionne également sur un cloud géré pour les équipes qui souhaitent la mise en place la plus rapide.

Points clés à retenir

• CopilotKit a publié CLiF, une plateforme d'apprentissage continu à partir de trajectoires full-stack, désormais en accès anticipé dans le cadre de CopilotKit Intelligence.
• La manière dont les utilisateurs accomplissent déjà le travail est le signal qui manque aux agents. Les trajectoires full-stack le captent aux côtés de la trace de l'agent, sur une seule timeline via AG-UI.
• CLiF transforme ces trajectoires en quatre sorties: des évaluations basées sur la production, des jeux de données d'affinage pour des modèles ouverts plus petits, des compétences pour les agents ou serveurs MCP, et des trajectoires brutes exportables, le tout compatible avec les piles d'évaluation et d'observabilité existantes.
• Un humain examine chaque compétence, et chacun remonte jusqu'à ses sessions sources. Les compétences publiées parviennent à l'agent sans redéploiement et peuvent être livrées avec un serveur MCP pour des agents externes comme Claude.
• Il cible les problèmes majeurs de l'exécution d'agents à grande échelle: la réussite des évaluations, l'enflure du contexte, le coût, la fragmentation des piles et la supervision de ce que chaque agent a appris.
• CLiF fonctionne avec n'importe quel framework d'agent et n'importe quel modèle via AG-UI, et il est entièrement auto-hébergeable.

Les équipes peuvent en savoir plus, réserver une démo ou demander un accès anticipé sur la page CLiF.

Références

• Page produit CLiF
• Présentation de CLiF : la plateforme d'apprentissage continu pour les agents IA à partir de trajectoires full-stack (blog CopilotKit)
• Qu'est-ce que l'apprentissage des agents ? (CopilotKit)
• Vidéo de lancement de CLiF
• CopilotKit Intelligence
• Documentation sur l'apprentissage automatique
• Documentation sur la diffusion de compétences

_{Merci à l'équipe Copilotkit pour son leadership intellectuel et ses ressources pour cet article. Cet article est sponsorisé par Copilokit.}

L'article CopilotKit lance CLiF : une plateforme d'apprentissage continu qui transforme les traces d'agents et les actions des utilisateurs en compétences, évaluations et données de fine-tuning est apparu en premier sur MarkTechPost.