KC-Agent：给生产环境的 ML 模型装一个「双系统」大脑，数据漂移终于不用人盯了

生产环境跑过 ML 模型的人，都懂那种「模型悄悄变傻」的绝望。上周准确率还在 85%，这周莫名其妙掉到 72%，查日志发现数据分布早就变了，而你还在睡大觉。

工业级 ML 管这个叫数据漂移（data drift），运维最头疼的问题之一。传统解法要么靠人定期重训，要么上自动化流水线但缺乏智能——漂移来了不会判断，只会无脑触发重跑。

arXiv 上刚发了一篇论文 KC-Agent（已被 IEEE COMPSAC 2026 接收），方向挺有意思：给 ML 模型改进系统装一个「双系统」大脑，学人类的快思考和慢思考。

System 1 做快速模式识别——遇到疑似漂移，先查记忆库里有没有类似 case 的解法，有就直接套用，不用重新算。System 2 做深度推理——System 1 搞不定的新问题，由它做审慎的增量更新，找到方案后写回记忆库。这套「记忆 + 双系统」的设计，大致是在模拟一个有经验的 ML 工程师的决策过程：先凭经验快速判断，搞不定再坐下来仔细分析。

论文在五组数据集上做了评测，包括真实的 NASA 涡轮风扇发动机退化数据（带实际时间维度退化）和人工控制的漂移场景。KC-Agent 拿到 76.8% 的准确率，平均执行时间 13.2 秒。对比几个主流认知架构，它比 CodeAct 高 2.4 个百分点，比 Tree of Thoughts 高 3.6 个，比 ReAct 高 8.0 个，比 Reflexion 高 8.9 个。论文还找了一组前沿大语言模型做「共识评估」，给 KC-Agent 打了 8.33/10 的策略有效性分数。

最有工程价值的是知识整合（knowledge consolidation）机制带来的加速：对比慢速版本，它能实现 91% 的加速比，同时保持更高准确率。System 1 的命中率越高，System 2 就越少被叫醒，整体就越快越省。

对一个跑在生产环境的模型来说，这个能力意味着两件事。一是漂移发生后响应更快，不用每次从头推理；二是方案可复现、可回滚——论文提到它实现了原子变更（atomic change）原则和回滚能力，这对生产运维来说是刚需，不是花活。

目前它还只是论文，不是开源工具或 SDK。但它的思路——给自动化 ML 维护系统装认知架构——方向感很强。现在做 MLOps 的团队，大多数流水线还停留在「检测到漂移 → 触发重训 → 重新部署」这种机械流程上，既贵又蠢。如果未来有工具能把 System 1 和 System 2 的思路落地成通用框架，调试生产模型的状态就可以从「半夜被告警叫醒看仪表盘」变成「第二天早上看一眼 diff 就行了」。

论文地址：https://arxiv.org/abs/2608.02351