本文探讨了模型参数冻结后Agent 的工作系统任务接口、记忆、能力图谱和路由仍会持续变化的问题。作者提出了 Harness 持续学习HCL框架该框架包含生成候选、独立评估和决定提交的闭环流程确保 Agent 的自我改进既可验证又可拒绝。文章强调可靠性的核心从“能否产生变化”转向“能否管理变化”并指出新任务收益与旧能力保持需分别评估。通过版本治理Agent 能在自我更新的同时避免退化这对长期系统至关重要。模型参数冻结后任务接口、记忆、能力图谱和路由仍会持续变化。HCL 提出一套可验证、可拒绝、可回退的更新制度让 Agent 的持续学习从产生变化走向治理变化。读完《Harness Continual Learning》我最大的收获是把 Agent 的持续学习理解成一次次可验证、可拒绝、可回退的系统更新。模型参数即使保持不变围绕模型工作的任务接口、记忆、能力图谱和路由仍会持续改变。这些变化会让 Agent 学会新任务也可能悄悄改写旧任务的行为。长期系统因此需要两种能力吸收有效的新经验以及识别并拒绝会破坏旧能力的更新。2026 年 8 月提交的论文把这个问题定义为 Harness 持续学习Harness Continual LearningHCL。这里的 Harness可以理解为围绕基础模型组织任务、经验、能力和执行路径的工作系统。作者提出了一套受控更新框架生成候选分别检查新任务收益、旧能力损失和执行有效性通过后再提交。概念备注本文所说的 Harness指围绕基础模型组织任务接口、记忆、能力图谱、路由和工具环境的工作系统。本文更关心这套设计带来的思路当 Agent 开始修改自己的工作系统可靠性的核心会从“能不能产生变化”继续推进到“能不能管理变化”。核心 Insight模型参数冻结不代表 Agent 的行为已经冻结。模型外的工作系统同样会学习也同样会遗忘。任务接口、记忆、能力图谱和路由需要作为一个整体版本管理。任何局部变化都可能通过组合关系改变旧任务表现。自我改进要形成“提出候选—独立评估—决定提交”的闭环。能够拒绝一次错误更新与能够生成更新同样重要。新任务收益和旧能力保持需要两张成绩单。把两者压成一个平均分容易让局部进步掩盖长期退化。01模型参数冻结后Agent 的工作系统仍在变化传统持续学习主要关注模型参数怎样随任务更新。Agent 系统的可变状态已经延伸到模型之外输入、记忆、能力和执行路径都在参与最终行为。论文的 Figure 1 并列展示了两种遗忘左侧更新模型参数右侧冻结模型、更新 Harness。两种情况下新任务的改进都可能伴随旧任务失败。图 1A传统持续学习主要更新模型参数旧任务可能随顺序更新而退化。图 1B模型冻结后Harness 的更新仍可能改变旧行为。右侧现象被论文称为 Harness 级遗忘harness-level forgetting。新提示可能破坏旧格式新经验可能被错误召回路由变化也可能让旧任务选中另一套工具。一次很小的编辑也可能影响整套能力。02任务接口、记忆、能力图谱和路由需要一起版本化HCL 用四个部分描述 Harness 的可变状态。它们分别承担不同职责又在一次执行中彼此连接。组件运行时作用可能发生的更新任务接口Task Interface组织任务描述、输入输出格式、行为约束和工具入口提示词、任务模板、解析规则、可用工具经验记忆Experience Memory保存具体交互和从多次经历中抽象出的经验成功轨迹、失败教训、通用规则能力图谱Capability Map组织外部可调用技能与可被上下文激活的内部能力工具、程序、技能说明、能力关系自适应路由Adaptive Router根据任务选择经验、能力和执行路径选择标准、路由提示、工作流程↔ 左右滑动查看完整表格Agent 的行为来自四部分的组合。能力文件不变新的路由仍可能在错误时机选择它记忆内容无误与新接口组合后也可能改变原有语义。一次可复现的更新至少要记录基础模型、任务接口、记忆快照、能力图谱、路由和工具环境。版本要描述 Agent 真正运行的联合状态旧结果才能复现新旧候选才有共同起点。03提议—评估—提交让自我改进具备拒绝能力当前 Harness 执行任务并获得反馈优化器据此修改一个或多个组件形成候选。候选不会因为当前任务表现更好就自动替换旧版本。图 2A任务接口、经验记忆、能力图谱和路由共同组织 Agent 的实际执行。评估器随后检查三件事当前任务是否改善历史锚点上的损失是否可接受输出、工具和环境是否仍然有效。全部通过候选才成为下一版本任何一项失败系统保留当前版本。图 2B优化器提出候选 Harness评估器决定接受或拒绝。历史锚点只提供给评估器优化器不能直接读取以免围绕固定验收题定向修改 Harness。新旧版本还要在相同模型、工具和环境下比较。有限锚点只能代表被覆盖的能力其中没有观察到损失也不能推出所有旧场景都不会退化。受控提交提高了可审查性和可拒绝性不等于覆盖所有情况的安全证明。04新任务进步与旧能力保持需要两张成绩单论文实验展示了一个重要张力更积极地学习新任务常常会增加旧能力退化更严格地保护旧能力也可能阻止系统获得足够的新能力。在 ALFWorld 的六类顺序任务中该论文冻结同一个基础模型比较静态 Harness、稳定版 HCL 和可塑版 HCL。方法最终平均表现遗忘量静态 Harness47.12—稳定版 HCL61.742.64可塑版 HCL62.9810.94↔ 左右滑动查看完整表格可塑版获得略高的最终平均表现也付出更大历史损失稳定版少拿到一点收益却显著降低遗忘。两者代表不同运行策略。只看平均表现会遗漏历史代价只看遗忘又会忽略系统学到了多少新能力。Minecraft 的长课程中HCL 完成了 50 项任务静态版本停在 15 项显示前序经验可以转成后续能力。论文以保留技能测试检查旧能力并未在每次更新后重放全部任务因此这个结果不能证明每个中间版本都完整保住所有旧任务。预算实验还显示允许更多历史损失并不会单调换来更强的长期系统。在这组任务里中等预算的最终平均表现为 63.46、遗忘量为 1.22完全放开后前者降至 60.13后者升至 3.45。这不是通用参数建议但揭示了路径依赖一次激进更新会改变后续学习的起点。图 4历史损失预算越宽松遗忘总体越容易随任务推进累积。文本、多模态和组件消融实验也给出同一提醒总体平均提升时个别任务仍可能退化受限版本遗忘更少也可能只是因为它学得更少。新任务收益、历史能力保持和任务级异常需要分别观察。05Harness 越能自我更新版本治理越成为核心能力HCL 没有直接验证真实生产环境的发布流程但它给出了一套可迁移的制度框架分开服务版本与候选版本分开更新生成与更新批准分开一次改进与长期能力。生产版本需要一份联合清单把基础模型、任务接口、记忆快照、能力图谱、路由、工具和环境配置放进同一记录让行为变化可以复现和定位。真实反馈适合触发候选分支不直接改写运行版本。候选可以吸收新经验但要在隔离环境中检查新任务、代表性旧能力和运行约束。每次提交都应保留父版本、评估结果和回退目标。失败候选留下的拒绝原因也有价值它会暴露记忆污染、路由回归和锚点盲区。新的瓶颈也会出现能力越多历史保持评估越贵记忆、技能和规则越多内容整合越难任务流越长远期影响越难被短期测试捕捉。该论文也把高效保持评估、Harness 内容整合和更长任务序列列为后续问题。未来 Agent 系统的差异很可能也会体现在谁能以更低成本判断变化是否值得留下。生成更新是能力管理更新会逐渐成为基础设施。思考Agent 竞争正在转向如何管理变化这篇论文让我重新理解“自我改进”这个词。很多演示把注意力放在 Agent 能否总结经验、修改提示词或生成技能这些动作证明系统具备产生候选变化的能力却没有回答变化应不应该进入下一版本。当模型外的工作系统越来越可编辑Agent 的演化可能会先在 Harness 层加速。相应地竞争重点会从单次生成质量扩展到一整套变化治理能力版本是否完整评估是否独立历史能力是否有代表性锚点拒绝理由与恢复路径是否真实可用。评估也会从发布流程末端进入每次学习的内部直接决定系统能不能继续演化。它会成为更新机制的一部分。结语会产生更新还不够可靠系统还要会拒绝错误更新HCL 提供的关键启发是把 Agent 的学习看成连续的版本决策。任务接口、记忆、能力图谱和路由共同改变行为每次变化都先成为候选再分别接受新任务、旧能力和执行有效性的检查最后才决定提交或拒绝。这套框架没有消除遗忘也不能保证有限测试之外的所有能力都保持不变。它让变化拥有了更清楚的边界什么被修改依据什么接受因为什么拒绝出现问题怎样回退。Agent 会越来越擅长产生自己的下一版。真正决定它能否长期可靠工作的是系统有没有能力对下一版说“可以”也有能力在必要时说“不”。大模型的知识又多又杂到底怎么学做这行久了被问最多的问题就一个大模型的知识又多又杂我到底先学啥翻了一堆资料看啥都像重点结果啥都没学进去。今天把我自己一路摸出来的顺序捋一遍零基础、应届生、转行的都适用。跟着走至少方向不乱、不瞎忙学完拿得出手。第一阶段10天初阶应用这一阶段就一个目标把大模型真正玩明白不是只会聊天那种而是能调教它、能用代码把大模型和业务接起来。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用这阶段正式进实战目标很实在做出两个能拿出手的东西——一个私有知识库一个 agent 对话机器人。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…走完这 30 天Python 或 JavaScript 背景的基本能独立做一套 RAG 应用简历上也敢写大模型应用开发了。第三阶段约20天动手微调学到这你已经开始 “造” 模型了 —— 通过微调搞出垂直领域的专用小模型。为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你从 “只会用” 变成 “能造” 的 AI 小子。那么你还想往下探索吗想要入局AI大模型赛道、抢占行业红利的朋友微信扫描下方CSDN官方认证二维码即可100%免费领取全套学习资料第四阶段20天商业闭环部署落地技术学完落地才算数。这阶段带你搞明白大模型怎么真正跑起来、用起来。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…想要入坑大模型的朋友给大家准备了一份2026 年最新 AI 大模型全套学习资料1、大模型系统化学习路线2、大模型学习视频教程3、大模型学习书籍电子文档4、AI大模型最新行业报告5、大模型项目实战配套源码6、2026大模型大厂面试真题7、为什么要学习大模型我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年人才缺口已超百万凸显培养不足。随着AI技术飞速发展预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。8、适合谁学传统后端 / Java / 前端开发想转型 AI 应用大学生、应届生想拿更好的 offer产品经理、运营想武装职业竞争力技术负责人想给团队落地提效学习是反人性的但回报是真金白银。技术会更新赛道会切换但只要你先动手机会就永远站在你这边。9、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。想要入局AI大模型赛道、抢占行业红利的朋友微信扫描下方CSDN官方认证二维码即可100%免费领取全套学习资料好了就写到这。路线是死的人是活的卡住了随时来问我。觉得有用就点个收藏别让它进收藏夹吃灰——动起来比啥都强。