Agent 上线后如何持续优化？AgentLoop 提出数据飞轮七步法，从接入、观测到经验库，将调优从零散修补升级为可复现、可验证的系统工程。本文拆解每一步的产品逻辑与 PM 落地要点，助你构建自进化 Agent。 Agent 的难点不是说“造出来”就好，主要在“上线后持续变好”。 开发期靠几十条样例和人工试聊能糊弄过去；一旦进生产环境，用户问法发散、工具会超时、模型会漂移、业务规则会改，原来那版 Prompt 会慢慢变质。这时候如果调优方式还是“看几条客诉 → 手动改几句 Prompt → 凭感觉发版”，就会出现原文说的三个毛病： 零散：只处理了刚好被看到的 case； 不可复现：下次换个人改，标准就变； 无法证伪：“这次改动到底变好还是变坏”答不上来。 AgentLoop 给出的解法是把调优做成 数据飞轮 ： 接入真实 trace → 观测 → 审计 → 沉淀 badcase 到数据集 → 建 Rubric 评估 → 开实验回测 → 经验库自动反哺。每转一圈，Agent 的起点都比上一圈高。 作为PM，你不用立刻会写探针代码，但你必须看懂这条链上 每一环在产品里是什么对象、产出什么