CLiF de CopilotKit reduce el entrenamiento de IA de meses a días

CopilotKit lanzó CLiF, una plataforma de aprendizaje continuo en acceso anticipado que promete reducir los ciclos de mejora de agentes de IA de meses a días. La herramienta convierte las trazas reales de interacción usuario-agente en habilidades exportables y datasets de fine-tuning, atacando directamente uno de los cuellos de botella más costosos del desarrollo de agentes en producción.

El problema que resuelve CLiF es concreto y costoso. Incluso los modelos de lenguaje más avanzados fallan en tareas complejas de extremo a extremo. Los equipos de desarrollo dedican semanas a crear manualmente miles de casos de evaluación y a editar prompts iterativamente para corregir errores. Las herramientas tradicionales de tracing muestran dónde falla un agente, pero no registran el camino correcto que los usuarios humanos ya ejecutan diariamente.

AG-UI y el protocolo que fusiona dos mundos de datos

CLiF se apoya en el protocolo AG-UI (Agent-User Interaction) para capturar lo que la empresa llama "trayectorias full-stack". A diferencia de las herramientas de observabilidad estándar que solo rastrean prompts y llamadas a herramientas del agente, CLiF combina dos flujos de datos en una sola línea temporal.

Por un lado, registra la trayectoria del agente: cada ejecución, llamada a herramienta y cambio de estado. Por el otro, captura la trayectoria del producto: estados de pantalla, clics de botón y solicitudes al servidor. Esta fusión permite reconstruir exactamente cómo los usuarios completan tareas con éxito, generando datasets de alto valor para entrenar al agente.

El ciclo de cuatro etapas: de captura a despliegue sin redespiegue

CLiF estructura el aprendizaje en un proceso que mantiene al humano en el centro de cada decisión crítica. Las trayectorias se envían primero a "contenedores de aprendizaje" temáticos, como soporte de facturación, para delimitar el alcance.

El sistema analiza sesiones para identificar "Insights", es decir, solicitudes recurrentes o puntos de fricción donde los usuarios deben corregir manualmente al agente. A partir de estos patrones, CLiF propone una habilidad formalizada como archivo SKILL.md. Un humano debe revisar y aprobar cada skill antes de su publicación. Una vez aprobada, la habilidad se entrega al agente sin necesidad de redespiegue. Los equipos también pueden exportar trayectorias brutas, candidatos de evaluación y datasets de fine-tuning.

Alojamiento propio, código abierto y compatible con cuatro frameworks

CLiF opera completamente con alojamiento propio y extiende la capacidad de "Aprendizaje Automático" de CopilotKit. La plataforma mantiene adaptadores para LangGraph (Python y TypeScript), Mastra, Google ADK y Microsoft Agent Framework. Los equipos pueden importar historial existente desde LangGraph Server o LangSmith.

CopilotKit es de código abierto y acumula más de 38,000 estrellas en GitHub. El modelo de código abierto contrasta con plataformas propietarias de agentes, aunque CLiF en su etapa actual requiere solicitar acceso al programa de acceso anticipado directamente con el equipo de CopilotKit.

La pregunta que queda es si el cuello de botella real de los agentes en producción es técnico o de operaciones: ¿tendrán los equipos de producto el ancho de banda para revisar skills propuestas semanalmente, o el loop humano se convertirá en el nuevo cuello de botella?

Información publicada originalmente por MarkTechPost.