DigitalOcean 推出智能体学习与数据服务：让 AI Agent 从真实会话中持续改进
DigitalOcean 发布 Agent Learning Services 和 Agent Data Services 公开预览版，目标是让开发者在同一套 AI 原生云平台上构建、评估并持续改进 AI 智能体。新服务基于其 Inference Engine 和 Managed Agents，重点解决两个问题：智能体如何从真实交互中识别弱点，以及如何把执行结果沉淀为可复用数据。
发生了什么
DigitalOcean 推出了两项与 AI 智能体相关的新服务：Agent Learning Services 和 Agent Data Services。前者负责让智能体从真实交互中学习、发现失败模式并在部署前测试改进；后者提供托管的数据底座，用来处理和索引文档、视频、音频、日志以及智能体会话。
这两项服务建立在 DigitalOcean 已有的 Inference Engine（负责模型推理）和 Managed Agents（负责执行动作）之上。用 DigitalOcean 的话说，前者让智能体“能思考”，后者让智能体“能执行”，新服务则让智能体“能持续改进”，并且整个过程运行在开放云平台上，基于客户自己的数据完成。
Learning Services：记录、识别、模拟
Agent Learning Services 包含三种能力：
- Insights：记录智能体的活动轨迹，让团队能看到智能体实际做了什么。
- Signals：识别失败和性能短板，把异常会话拉入改进流程。
- Simulations：在部署前通过模拟真实对话，测试潜在改进是否有效。
此外，增强版 Inference Router 与 Learning Services 相互独立，但在持续改进方案中扮演关键角色。它会根据任务需求选择模型，在成本和输出质量之间做平衡，并能针对新版模型重复执行同一套评估用例。对开发者来说，这意味着模型升级后不必完全靠感觉判断效果，可以用既有评估集做对比。
Data Services：把会话日志变成生产数据
Agent Data Services 为 AI 智能体提供一个安全的托管数据底座。它处理并索引文档、视频、音频、日志和智能体会话，让这些信息可以通过统一目录搜索和访问，并内置治理与访问控制。
更重要的是，它与 Learning Services 集成，支持“回写循环”：Signals 将会话写入 Data Services，Optimizer 仅在客户明确授权的前提下，从中提取训练和测试数据。一旦追踪记录、工具调用和结果反馈进入评估或学习流程，它们就不再只是“普通日志”，而是可用于改进智能体的生产数据。
高级工程师 Deepanshu Udhwani 认为，相比智能体数据层常见的“读取端”，回写执行结果的价值被低估了。很多团队构建了不错的检索系统，却没有妥善记录结果，导致几个月后没人能分辨哪些工具调用真正有效，哪些只是当时看起来没问题。
TinyFish 联合创始人 Keith Zhai 则强调，Signals 和 Simulations 可以在大量用户踩坑之前，基于异常会话完成修复。他提到一个典型痛点：工具调用返回成功，但用户最终放弃了任务。问题不在于调用是否成功，而在于是否有人能读懂用户实际经历的那段会话。
对开发者意味着什么
对正在做 AI 编程、智能体工作流或“氛围编程”的团队来说，这次发布的价值不在于又多了一个模型调用入口，而在于把智能体运行过程中产生的会话、工具调用和结果反馈纳入可评估、可回写的数据闭环。智能体不再只是“跑完就丢”，而是能留下可分析的执行记录，用于发现失败模式、验证改进效果，并在模型更新后重复评估。
可用性
DigitalOcean Insights、Signals 和 Evaluations（包括 Simulations）现已提供公开预览。Inference Router 优化和 Agent Data Services 则处于私有预览阶段。
关键要点
- DigitalOcean 新推出 Agent Learning Services 和 Agent Data Services，覆盖智能体的评估、模拟和数据回写。
- Learning Services 通过 Insights、Signals、Simulations 分别完成活动记录、失败识别和部署前测试。
- Agent Data Services 把文档、音视频、日志和会话统一索引，并与学习流程集成，形成持续改进闭环。
- Insights、Signals 和 Evaluations 已公开预览；Inference Router 优化与 Data Services 仍为私有预览。