ORR（Observe-Record-Replay）
一句话定义
把”队友给真实用户的真实回答”作为训练数据的学习范式。系统在旁观察 → 记录原始问答对 → 第二次同类问题直接复用。
出处
Case - Lucius - 组织context层 (2026-04-30 / Lucius embargo 2026-05-19)，作为 吞噬经验 的第三种实现范式被识别并写入 AI产品分析框架 维度 1。
核心机制
Day1: 用户问 → Lucius 不会 → 转人工 → 队友答
Day1+: 系统观察并记录原始问题 + 队友回答
Day4: 第二个用户同类问题 → 直接给出 Day1 队友的答案
与 RAG / Fine-tune 的区别
| 维度 | RAG | Fine-tune | ORR |
|---|---|---|---|
| 数据来源 | 预先整理的知识库 | 标注训练集 | 生产对话本身 |
| 数据形态 | 静态文档 | 标注样本 | 真实问答对 |
| Grounding | 依赖知识库质量 | 依赖标注质量 | 天然带情境与口吻 |
| 冷启动成本 | 中（要整理） | 高（要标注） | 低（顺势采集） |
| 持续累积 | 静态，要主动更新 | 周期性重训 | 每次互动都在累积 |
三个使用场景
- 客服 / 社区运营：本就有”团队答用户”工作流的场景，ORR 是最低摩擦的学习路径。
- 对外触点产品：Discord / Telegram / Slack 集成场景，user-pool + team-pool 天然存在。
- 专家网络扩展：把一个专家的判断经验逐渐扩散到团队/系统。
反例 / 边界
- ❌ 内部工具场景：没有”用户问 + 队友答”的双方结构
- ❌ Day1 团队不在线：没人给”第一个真实回答”，系统就学不到
- ❌ 高频但低质量的对话：垃圾问答会污染 case base
- ✅ 适合：有外部用户 + 有内部专家 + 高频问答的场景
典型案例
- Case - Lucius - 组织context层 — Day1→Day4 学习循环，ORR 范式的代表
相关术语
- 吞噬经验 — ORR 是吞噬经验的实现范式之一
- AI Native — ORR 是判断 native 真伪的具体证据
- Agent-native 壁垒 — ORR 累积出来的 case base 就是领域状态壁垒