Echo：通过用户驱动的精炼从经验数据中学习

静态“人类数据”存在扩展成本高且受限于创作者知识的固有缺陷。从代理与环境交互产生的“经验数据”中进行持续学习有望突破这些障碍。然而，原始交互日志充满噪声且信息密度低，难以直接用于训练。本文提出 Echo 框架，旨在将原始经验转化为可学习知识，利用用户 driven 的精炼过程（将 flawed 提议转化为验证方案）提取高质量训练信号。在生产代码补全环境中的大规模验证表明，Echo 有效利用该流程，将接受率从 25.7% 提升至 35.7%，突破了静态性能上限。