O problema que CLiF quer resolver
Agentes de IA já conseguem executar tarefas inteiras por conta própria, mas, na prática, equipes que os colocam em produção esbarram no mesmo padrão: mesmo com os modelos de ponta, o agente erra em fluxos complexos, o time gasta semanas escrevendo centenas de casos de avaliação à mão e o agente só melhora aos poucos, com edições de prompt, casos especiais e correções pontuais.
A CopilotKit, criadora do framework open-source CopilotKit (mais de 38 mil estrelas no GitHub) e do protocolo AG-UI, lançou em early access o CLiF — Continual Learning from Full-Stack Trajectories — uma plataforma de aprendizado contínuo que transforma o que agentes e usuários já fazem no produto em skills, avaliações baseadas em produção e datasets de fine-tuning.
O que é uma full-stack trajectory
A ideia central do CLiF é a full-stack trajectory: o registro completo de uma tarefa, unindo os dois lados do trabalho.
- Trajeção do agente (agent trace): cada execução, chamada de ferramenta, mudança de estado e o retorno de cada uma delas.
- Trajeção do produto (user actions): o que aparecia na tela do usuário, os botões que ele clicou e as requisições de servidor que ele disparou — inclusive a conversa com o agente, na ordem em que aconteceu.
Ambas as metades chegam em um único timeline porque o CLiF captura tudo pelo AG-UI (Agent-User Interaction Protocol), o protocolo aberto criado pela CopilotKit para conectar agentes a aplicações com interface de usuário. Como o AG-UI já está entre o agente e o usuário em qualquer superfície — web, mobile, Slack, Teams — ele vê os dois lados da tarefa sem precisar de uma pipeline de analytics separada.
Na visão da CopilotKit, a forma como os usuários realmente concluem o trabalho no produto é o dataset mais valioso que uma equipe de agentes tem — e raramente é capturado em um formato que o agente consiga aprender.
O loop de quatro estágios
O CLiF, que faz parte da CopilotKit Intelligence, organiza o aprendizado em quatro estágios:
- Capture. As trajetórias fluem para a CopilotKit Intelligence e são alocadas em "containers de aprendizado", que escopam o aprendizado a um tipo de trabalho — por exemplo, suporte de billing ou onboarding de clientes. O runtime escolhe o container certo para cada sessão.
- Extrair skills. O sistema converte padrões recorrentes nas trajetórias em skills reutilizáveis que o agente pode usar no futuro, com um humano revisando cada skill antes de ela entrar em produção.
- Gerar evals de produção. Em vez de casos escritos à mão, o CLiF deriva avaliações a partir de trajetórias reais de produção, cobrindo os fluxos que realmente importam.
- Fine-tuning. As trajetórias servem também como dataset de fine-tuning, exportáveis junto com as skills, as evals e o bruto original.
Tudo o que o CLiF produz é exportável e pode ser rodado 100% self-hosted, funcionando com qualquer harness de agente e qualquer modelo por baixo — web app, mobile, Slack ou Teams.
Por que isso importa para quem já tem agentes em produção
A CopilotKit aponta quatro dores que o CLiF ataca diretamente:
- Evals caros e manuais: milhares de casos escritos à mão para os fluxos mais importantes.
- Context bloat: prompts que crescem com cada caso de borda, código de harness cheio de regras duras, memória acumulada em cada conversa.
- Custo e fragmentação: fine-tuning deixa para o fim, se acontece, porque o dado certo é difícil de coletar; e os agentes em produção ainda precisam de "ajuda" do usuário a cada nova conversa.
- Shadow AI: usuários que contornam o agente para concluir o trabalho — e cujo conhecimento nunca volta para o sistema.
A empresa relata que times que usam trajetórias de produto veem uma queda de até 80% em tarefas repetitivas nas primeiras duas semanas, contra as 1 a 2 correções manuais por dia que uma equipe faz normalmente — e geralmente depois que um cliente já reclamou.
O que muda na prática
O exemplo mais claro da CopilotKit é o de uma plataforma de suporte: um atendimento recebe o ticket "fui cobrado duas vezes", checa o plano, encontra a cobrança duplicada e, como o cliente está no plano anual, emite um crédito em vez de um reembolso — regra que não está em nenhum doc nem em nenhum prompt. Adicionar isso ao prompt resolveria um caso; CLiF captura o padrão nas trajetórias reais e o agente aprende a regra sem precisar de mais uma linha escrita à mão.
Para quem já roda agentes em produção, o CLiF é uma aposta de que o caminho para agentes confiáveis não é mais prompt, é mais dado — e que o dado mais rico é o que os usuários já fazem no produto, todos os dias, sem perceber que estão treinando o modelo.
O que a CopilotKit oferece agora
O CLiF está em early access. A empresa disponibiliza demos ao vivo com os engenheiros da CopilotKit rodando a plataforma no caso de uso do cliente. O framework CopilotKit segue open source, com o protocolo AG-UI agora apoiado por Google, Microsoft, Amazon e grande parte do ecossistema.
Fontes
- CopilotKit — "Introducing CLiF: Continual Learning from Full-Stack Trajectories" (13/10/2026)
- MarkTechPost — "CopilotKit Releases CLiF: A Continual Learning Platform That Turns Agent Traces and User Actions into Skills, Evals, and Fine-Tuning Data" (15/10/2026)
- GitHub — CopilotKit/CopilotKit
- GitHub — ag-ui-protocol/ag-ui
Fontes e referências
Encontrou uma informação que precisa de correção? Fale com a redação.