🔗Wired AI•較早收集於 31m
前 Google 與 Apple 研究人員創立 AI 新創公司 Trajectory
💡由前 Google/Apple 人才創立的新創公司，旨在解決 AI 產品開發中關鍵的「缺失反饋迴圈」問題。
⚡ 30-Second TL;DR
有什麼變化
由前 Google 與 Apple 研究人員創立
為什麼重要
若 Trajectory 成功，將可能標準化企業在部署後管理 AI 模型效能的方式。這解決了 MLOps 中的關鍵痛點，即模型在初步發布後往往會停滯不前。
下一步行動
密切關注 Trajectory 即將發布的平台，評估其反饋迴圈架構是否能整合至您現有的 LLM CI/CD 管線中。
誰應關注：Developers & AI Engineers
關鍵要點
- •由前 Google 與 Apple 研究人員創立
- •專注於為 AI 產品建立持續性的反饋迴圈
- •利用類似「vibe-coding」工作流的快速迭代週期
- •協助企業從靜態模型轉向具備持續學習能力的系統
🧠 深度解析
Web-grounded analysis with 4 cited sources.
🔑 增強重點摘要
- •Trajectory.ai 是一家由前 Google 和 Apple 研究人員創立的公司，其網站明確指出他們專注於為 AI 代理（agents）提供持續學習平台。
- •該平台提供「代理後訓練」（Agent Post-Training）的完整生命週期解決方案，包括觀察、評估、數據生成、訓練和重新部署，以實現代理的持續改進。
- •Trajectory.ai 的系統只需兩行程式碼，即可從已部署的代理中捕獲所有追蹤、工具調用和大型語言模型（LLM）互動，為後續訓練運行建立數據集。
- •該公司利用 AI 驅動的數據代理生成高質量的合成監督式微調（SFT）和強化學習（RL）訓練數據，並在真實的沙盒環境中進行評估。
- •Trajectory.ai 包含一個自主訓練代理，能夠啟動端到端的訓練實驗，追蹤運行情況，監控獎勵，並將改進後的模型推送到生產環境。
🛠️ 技術深入
- Trajectory.ai 平台能夠捕獲已部署代理的每一次追蹤、工具調用和 LLM 互動。
- 它採用「閉環管道」自動將生產環境中的故障轉化為訓練數據。
- 系統支持生成合成的監督式微調（SFT）和強化學習（RL）訓練集。
- 平台允許在「可配置獎勵函數的真實沙盒環境」中進行模型評估。
- 「自主訓練代理」負責啟動訓練實驗、追蹤運行、監控獎勵並更新模型。
- 「AI 軌跡追蹤」是一種系統性記錄和分析 AI 內部推理、工具互動和環境反饋的學科，著重於模型的「整個飛行路徑」而非僅最終輸出。
- 軌跡被定義為模型從輸入到輸出，經過中間狀態的有序路徑，包括推理標記、檢索到的段落、工具調用、記憶讀取、規劃器輸出、約束檢查、自我修正、驗證器判斷和終止決策。
- 軌跡評估旨在檢查代理是否採取了「預期步驟」，而不僅僅是最終輸出是否匹配。
- 該方法可以識別「軌跡缺陷」，例如幻覺、工具過度使用以及從歧義中恢復不良等問題。
🔮 前景展望AI analysis grounded in cited sources
Trajectory.ai 對 AI 代理持續反饋迴圈的關注將加速企業環境中更穩健、更可靠 AI 系統的採用。
透過提供工具，根據實際性能和故障自動觀察、評估和重新訓練代理，Trajectory.ai 直接解決了部署和維護複雜 AI 應用程式的關鍵瓶頸，從而實現更快的迭代和更高的品質。
「vibe-coding」工作流程與 Trajectory.ai 平台的結合，將顯著降低 AI 開發的門檻，使更廣泛的用戶能夠創建和完善 AI 代理。
Vibe coding 透過允許自然語言互動來簡化 AI 開發，而 Trajectory.ai 的持續學習平台則為非專業人士提供了必要的基礎設施，使其無需深厚的 MLOps 專業知識即可迭代和改進其 AI 創作。
📎 來源 (4)
Factual claims are grounded in the sources below. Forward-looking analysis is AI-generated interpretation.
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： Wired AI ↗