调优篇导读

调优篇负责把运行与治理的证据转化为能力提升。它直接决定前四个责任域的投入能否持续转化为生产收益，也因此是智能体工程中持续投入最集中的环节之一。

本篇的组织方式由归因决定。真实系统中的缺口可能在模型权重里，也可能在 Agent 如何被组织、被供给信息与被约束执行上，两者需要不同的方法。因此本篇以两条面向优化对象的主线展开，并补充一章相对独立的专题。

对应章节	结构	优化对象或主题	主要方法
第 17 章	模型调优	模型的理解、决策、工具使用与失败恢复能力。	监督微调（Supervised Fine-Tuning，SFT）、Agentic RL、模型蒸馏，以及在完整 Agent 中的上线验收。
第 18–23 章	智能体调优	Harness、数据与评估闭环、经验与 Skill、运行反馈。	数据飞轮：Trajectory、声明式 Pipeline、黄金数据集、持续评估与实验、Badcase 修复、受控自进化。
第 24 章	专题延伸	全球交付与边缘优化。	边缘运行时、边缘评估、性能与成本优化、内容分发、边缘安全与边缘仿真。

第一条主线是模型调优。只有当一类错误在信息充分、动作接口清晰、执行环境正常的条件下仍跨任务反复出现，才有理由把它归因于模型能力。之所以先讨论模型，是因为模型既是最受关注、也是最容易被误判的优化对象：把本应由上下文、工具协议或运行控制解决的问题当成模型不行，往往是代价最高的一类误判。第 17 章因此先建立何时才应该改模型的判据，再展开 SFT、Agentic RL 与模型蒸馏的适用边界、训练组织与验收方式。

第二条主线是智能体调优。真实系统中的多数缺口并不在模型权重里，而在 Agent 如何被组织、被供给信息和被约束执行，以及团队能否把运行经验持续变成改进。这条主线以数据飞轮为核心：把 Trace 组织成可复用的行为轨迹（Trajectory），经声明式 Pipeline 加工成业务样本，沉淀为带判据的黄金数据集，用持续评估与实验发现并验证 Badcase，再通过经验库、Skill、工具与运行机制的优化，把验证有效的方法带回 Agent 的运行环境。第 18 至 23 章沿这条主线，从数据如何组织一路讲到受控自进化。

第 24 章是一章可按需阅读的专题。当 Agent 面向全球用户交付时，网络传输、就近接入、重复推理的缓存、边缘安全前置与内容适配构成 Region 内调优之外的优化维度，本章把运行与优化延伸到离用户最近的边缘。它与两条主线不互为前提，企业可按自身部署范围选择性采用。

两条主线不是先后依赖，也没有高下之分，进入哪一条由归因决定：先排除能够独立复现的执行环境故障，再检查 Harness 是否提供了充分信息与可靠控制，最后才判断是否属于模型能力缺口。把问题落到正确的对象上，是本篇所有方法生效的前提，也是避免用模型训练弥补系统工程问题、或用系统补丁掩盖真实能力短板的关键。