A CopilotKit, empresa responsável pelo framework de código aberto homônimo e pelo protocolo AG-UI, anunciou o lançamento em acesso antecipado da CLiF, uma plataforma de aprendizado contínuo baseada no que a empresa chama de trajetórias de pilha completa. A proposta é capturar de forma segura tanto o que o agente de inteligência artificial faz quanto o que os usuários executam dentro do produto, convertendo esse registro em habilidades, avaliações de desempenho baseadas em produção e conjuntos de dados para ajuste fino de modelos, todos exportáveis junto com as trajetórias brutas.
O problema que motivou o desenvolvimento é recorrente entre equipes que colocam agentes em escala. Mesmo agentes construídos sobre modelos de ponta, como Fable e Astra, enfrentam dificuldades para executar tarefas complexas de ponta a ponta dentro de um produto específico com consistência suficiente para implantação. As equipes então escrevem manualmente centenas ou milhares de casos de teste, ajustando prompts e correções especiais até que o agente passe em avaliações suficientes para entrar em produção. Enquanto isso, os próprios usuários do produto executam essas mesmas tarefas diariamente e já sabem quais ações tomar e em que ordem.
Segundo a companhia, as ferramentas de observabilidade atuais concentram-se apenas no agente, registrando prompts, chamadas de ferramentas e saídas do modelo, o que mostra onde o agente errou mas deixa fora de vista o caminho correto. A analítica de produto cobre o outro lado com cliques, funis e replays de sessão, porém esses dados foram projetados para leitura humana, não para ensinar ou testar um agente. Na visão da CopilotKit, exposta em seu guia sobre aprendizado de agentes, a maneira como os usuários realmente trabalham é o conjunto de dados mais valioso que uma equipe possui, e raramente é capturado em uma forma da qual o agente possa aprender.
O CLiF faz parte do CopilotKit Intelligence e é construído em torno de um único conceito primitivo: a trajetória de pilha completa, capturada por meio do AG-UI, o protocolo aberto criado pela empresa para conectar agentes a aplicações voltadas ao usuário. Como o protocolo fica posicionado entre o agente e o usuário em qualquer superfície, consegue ver os dois lados da tarefa em uma única linha do tempo: cada execução, chamada de ferramenta e mudança de estado do agente, junto com o que aparecia na tela do usuário, os botões clicados e as requisições de servidor disparadas. Cada sessão vira uma trajetória que pode ser aberta e reproduzida passo a passo, sem necessidade de uma infraestrutura de analítica separada para unir as duas partes depois.
O funcionamento segue um ciclo de quatro etapas. Na captura, as trajetórias entram em contêineres de aprendizado que delimitam o escopo a um tipo de trabalho, como suporte de faturamento ou onboarding de clientes. Na segunda etapa, análises agendadas ou manuais identificam padrões recorrentes, gerando o que a empresa chama de Insights: solicitações repetidas, correções recorrentes e fricções que os usuários contornam silenciosamente, cada uma com citação dos eventos específicos que a sustentam. Quando a evidência respalda uma lição reutilizável, a plataforma propõe uma habilidade escrita em um arquivo simples, que precisa ser aprovada ou rejeitada por uma pessoa antes da publicação. Publicadas, as habilidades chegam ao agente sem necessidade de nova implantação, com versionamento e possibilidade de aposentadoria a qualquer momento.
O mesmo pipeline produz quatro saídas exportáveis: habilidades para agentes ou servidores MCP, avaliações construídas a partir de tarefas que os usuários realmente executaram, conjuntos de dados de ajuste fino destinados a treinar modelos abertos menores e mais rápidos, e as trajetórias brutas para qualquer plataforma de observabilidade. A empresa defende que as equipes devem manter as ferramentas de avaliação e observabilidade que já usam, com a CLiF apenas fornecendo os dados que faltavam. A entrega de habilidades funciona por adaptadores para LangGraph, Mastra, Google ADK, Microsoft Agent Framework e o agente nativo da CopilotKit, entre outros, sempre respeitando a precedência das instruções do desenvolvedor sobre regras de papel, segurança e restrições de ferramentas.
Um exemplo prático ilustra a proposta. Em uma plataforma de gestão de projetos semelhante ao Linear, um agente instruído a encerrar um sprint usaria a opção de um clique que move todas as tarefas inacabadas para o sprint seguinte, como descrito na documentação. Milhares de trajetórias capturadas, porém, revelariam que os líderes de equipe fazem mais do que isso: devolvem ao backlog as tarefas já carregadas uma vez, desatribuem responsáveis e comentam nos itens bloqueados marcando quem é dono do impedimento. Essa rotina existe apenas nos cliques e requisições seguintes ao clique único, invisível aos rastros do agente e impraticável de descobrir assistindo a milhares de replays. A CLiF transforma o padrão em um Insight e propõe a habilidade completa do encerramento, que pode ser distribuída também via servidor MCP para agentes externos como o Claude.
A plataforma responde ainda a dores conhecidas das equipes: o inchaço de contexto, ao manter comportamentos aprendidos em um catálogo de habilidades carregado só quando necessário; o custo, ao permitir migrar fluxos de alto volume para modelos menores; e a fragmentação de pilhas, já que o AG-UI é apoiado por Google, Microsoft, Anthropic, Amazon e Oracle. Tudo é autossustentável por definição, com execução em clusters Kubernetes próprios via Helm, em AWS ECS e Fargate, com PostgreSQL, Redis e provedor de identidade da própria companhia, mantendo dados dentro da rede corporativa. O framework de código aberto, com mais de 38 mil estrelas, está disponível no repositório oficial no GitHub, e os interessados podem solicitar acesso antecipado na página da CLiF no site da CopilotKit.
