今天，Agent 评估与优化 · Close the Loop 三城巡演首站北京站圆满落幕。
本场活动联合 Dify 举办，吸引了近百名技术从业者参与，围绕“Observe / 观测与审计”这一主题，深度分享了 Agent 可观测性范式、Dify 可解释性实践、AI Coding 观测与降本等议题，并设置了 AgentLoop 动手实操环节。
关注「阿里云云原生」公众号，后台回复：Loop0821
获取北京站讲师 PPT 合辑
议题一：Agent 评估与优化全景
分享嘉宾： 阿里云 Agentloop 产品经理 涯海
从企业 Agent 落地的六大挑战“看不清、评不准、存不下、改不动、控不住、复制难”开始，提出从 LLMOps 到 AgentOps 的范式升级：治理对象从单次调用变为完整推理轨迹 Trajectory，以“观测→评估→优化→回测”为主线构建数据飞轮：零代码插桩覆盖约 45 个框架，Agent-as-a-Judge 评估与专家一致性达 90%+，归因分析把评分转译为改进动作，变更门禁拦截负向变更。举例了 某游戏客户 3 天跑通优化闭环、客服质检覆盖率从 5% 升至 100%：谁的飞轮转得快，Agent 就越聪明。
议题二：Dify 如何让 Agent 的每一步可解释、可比较和可验证
分享嘉宾： Dify 工程师 姜涵煦
涵煦分享了在 Agent 编排平台侧的可观测实践：如何让开发者在可视化工作流中看清每个节点的输入输出与耗时，让不同版本的 Agent 编排可以横向比较，让每一次改动的效果可以被验证而非感觉变好了。
议题三：AI Coding 的观测和科学降本实践
分享嘉宾： 阿里云 Agentloop 研发工程师 马云雷
AI Coding 是当前 Token 消耗最大、调用链最深的 Agent 场景之一。本议题基于真实 AI Coding 场景，分享了两个问题的解法：一是怎么看清调用链，从一次编码任务出发，还原模型调用、工具执行、上下文组装的完整链路，定位耗时与失败点；二是怎么把成本科学地降下来，基于观测数据识别冗余调用与低效上下文，在不牺牲任务完成质量的前提下压缩 Token 开销。
动手实操：给 Coding Agent 或其他桌面端 Agent 接入AgentLoop
通过 LoongSuite Pilot 将开发者本机的 AI Coding Agent 运行数据接入 AgentLoop，实现会话、模型调用、工具调用、Token 用量和 Trace 数据的统一观测与分析。
实操文档： https://help.aliyun.com/zh/document_detail/3033878.html
现场花絮
Agent 观测与优化 Close the Loop 巡回沙龙，8月29日深圳站将联合 AgentScope 分享“Evaluate / 评估与实验”，9月4日上海站联合 LangChain 分享“Optimize / 进化”。
报名审核制，审核通过将收到短信通知。
