用过AI助手写东西的人大概都碰到过同一种挫败感你花了二十分钟跟它讲清楚标题要短、图表配色偏冷、段落之间不要用首先其次、结尾不要总结它这一版改好了下一次开新对话又回到老样子所有偏好全部清零得从头再教一遍。这种感觉像带实习生每次来的都是新人上一个刚教会就离职了。Cursor和Windsurf这类工具在代码场景里做了一些全局规则配置用户可以写一份coding style的文件挂在项目里模型每次读文件来遵守风格这个方案在纯代码场景里勉强够用但放到更复杂的工作流里就撑不住了写报告和写代码的偏好不一样做数据分析和做PPT的审美不一样一个静态文件根本装不下不同任务类型下微妙的风格差异更不用说那些这次为什么打回的具体反馈——你告诉它这段太虚了给我加数据这条反馈不应该只作用于当次修改下次写类似段落它应该自动知道要先找数字。Octo的经验系统就是为这个问题设计的内部叫Preference。核心数据结构借鉴了卢曼的卡片盒笔记法每条Preference是一张独立卡片上面记着一条可验证的行为规则附带这条规则是从哪次验收或打回里提炼出来的、适用什么范围、置信度多高。卡片之间可以互相引用和组合比如标题不超过15字和技术文章标题要有具体信息不要虚的这两张卡片在写文章类任务时会同时被召回。所有卡片存在OCTO服务器上换机器、换模型、换Runtime都不会丢Agent通过octo-cli调用Preference Server的查询API按任务范围、关键词和置信度检索适用的卡片在任务开始时自动注入上下文。经验卡片的生成走一个四步流程对应SECI知识转化模型在Agent场景下的落地。第一步是社会化人和Agent在同一个Loop的timeline里共事Agent观察人的做事风格、验收习惯、哪些地方容易被打回这个阶段知识是隐性的Agent有体感但还没提炼成规则。第二步是外化人在验收环节打回一条产出、圈一笔批注、说一句我更喜欢这样这些信号被Agent捕捉后蒸馏成结构化的Preference Card由人审核确认后入库隐性知识变成了显性规则。第三步是组合化不同智能体、不同人沉淀的卡片在同一个任务里碰撞写文案的智能体的偏好和做数据的智能体的偏好在一次协作中同时被召回不同来源的知识组合出新的行为约束。第四步是内化每次新任务自动注入相关PreferenceAgent的行为自然改善显性规则又变回了隐性的执行习惯到了这个阶段你不需要反复告诉它不要用排比句它自己就不会用。这套机制听起来复杂用户端的感知其实很简单你验收的时候打回、说原因、通过经验就在后台自动积累。越用越准这件事说起来像个营销话术但在Preference系统里它是有具体机制支撑的。卡片有置信度权重一条偏好被打回验证的次数越多权重越高刚蒸馏出来的卡片权重低需要多次确认才会对行为产生强约束。卡片也有适用范围代码注释用英文只在编码任务里召回报告开头不要背景铺垫只在写报告时生效不会出现写代码时突然冒出中文写作规则这种串台情况。多Agent协作的时候每个Agent查自己主人的Preference ServerA2A场景下各自带各自的偏好进场不会互相污染。这个设计从架构上解决了一个很多团队没意识到的问题人离职知识不走。一个团队用了半年Octo之后新来的人不需要读几十页规范文档再花一个月适应团队风格团队里的智能体已经带着所有人沉淀下来的偏好在干活了新成员只要开始用回路产出就自动对齐团队的整体taste。经验沉淀是Octo和其他Agent平台之间一个不容易被一眼看到的壁垒。大部分Agent产品的竞争集中在模型能力、工具数量、支持的平台这些显性维度上这些维度的差距会随着时间被抹平模型能力在趋同MCP协议在标准化工具接入多平台支持是工程问题不是架构问题。但一个用了三个月、沉淀了几百张Preference Card、在几十个真实任务里反复校准过置信度的系统和一个刚部署的全新实例之间的差距不是换个更好的模型就能追上的。这和企业内部知识库的积累是一个道理壁垒不在系统本身而在系统里积累的那些只有你的团队才有的隐性知识。Octo把这件事从靠人记变成了靠系统沉淀而且沉淀下来的东西不是死的文档是会在每次任务里自动被召回、自动影响Agent行为的活的规则。执行闭环跑通之前经验系统的价值有限因为Agent做不到自动执行的时候人其实在干大部分活Agent只是个辅助打字的角色偏好对齐的痛点不突出。7月Octo把回路从记录型闭环升级到执行型闭环之后智能体自动接单、自动执行、交付成果等人验收验收环节的反馈密度大幅提升经验沉淀的速度也跟着上来了。我们内部的判断是执行层是地基经验层是地基上盖的楼楼能盖多高取决于地基有多稳所以V1阶段优先把建任务、派智能体、自动跑、人验收这条链路跑顺经验召回的规模化和算法优化放在后续版本里迭代目前经验学习界面已经有雏形规模化召回需要算法介入。上周octo-marketplace接入Docker Compose一键部署之后新团队上手Octo的门槛降了一截拉起来就能用用起来就开始积累经验。octo-cli全文搜索合入主干之后回溯历史回路和之前沉淀的经验卡片也更方便。整个项目在Mininglamp-OSS组织下开源Apache 2.0协议支持私有部署团队的数据和经验全部留在自己手里。AI协作工具的竞争到最后拼的不是谁接的模型多而是谁的系统能真正理解一个团队怎么干活、喜欢什么风格、踩过哪些坑这些东西没有办法预装只能靠时间和真实任务喂出来。https://github.com/Mininglamp-OSS