我要投稿

Agent 持续学习落地路径：先做 Traces，再做 Context，最后才微调模型 | Jinqiu Select

发布日期：2026-04-13 20:41:48 浏览次数： 1538

作者：锦秋集

微信搜一搜，关注“锦秋集”

标题:Agent 持续学习不只是训练模型：解读 Harrison Chase 的三层框架

摘要：Agent 持续学习落地路径：先做 Traces，再做 Context，最后才微调模型

本文来自投稿。

作者：Daniel，DeerFlow 联合作者。DeerFlow 是基于 LangGraph 的开源 SuperAgent 框架，专注多智能体编排，GitHub 60K+ Stars。长期深耕智能体工作流设计与有状态图执行，致力于将自主 Agent 真正推向生产环境的能力边界。

Agent 系统到底该怎么"持续变强"？

它依赖训练数据、训练基础设施和评测闭环，更像平台级能力，而不是普通产品团队可以频繁迭代的日常手段。

近期， LangChain 创始人 Harrison Chase 发布了一条 X 帖子出发，将 Agent 持续学习系统拆解为三层：Model（模型权重）、Harness（执行机制）、Context（可配置记忆），并结合 Meta-Harness、LangChain Deep Agents 等前沿工作，逐层分析每一层的学习方式、落地成本与适用场景。

基于这个分析，一套面向产品团队的可能行动路径是：先把 Traces 做对，再做 Context learning，然后建立 Harness optimization loop，最后才考虑模型微调。

锦秋基金认为，这对正在考虑把"持续学习"纳入 Agent 产品路线图的读者很有帮助，因此也做了转载。

一、Harrison Chase的一条 X

2026 年 4 月 5 日（北京时间），LangChain 创始人 Harrison Chase 发布了一条 X 帖子：

原帖地址：https://x.com/hwchase17/status/2040467997022884194?s=20

这篇内容的核心观点很明确：

对 AI agent 而言，“持续学习”不应只被理解为更新模型权重。一个 agent 系统实际上可以在三个层面持续进化：Model、Harness、Context。

二、核心框架：Agent 的三层学习

Harrison 把 agentic system 拆成三层：

Model：底层模型本身，也就是权重
Harness：驱动模型运行的“外壳”，包括 agent 代码、固定工具、固定提示、执行循环等
Context：位于 harness 外部的可配置上下文，例如记忆文件、技能、用户配置、团队配置

这一定义的价值在于，它把“学习”从单一的模型训练问题，扩展成了一个完整系统工程问题。

三、逐层解读

1. Model 层：最传统，但也是最重的一层

这一层对应大家最熟悉的持续学习：

用 SFT、RL 等方法更新权重
也可能采用更细粒度的适配方式，例如 LoRA
目标是让模型在新任务上做得更好

但这里有一个老问题没有消失：catastrophic forgetting。也就是模型在学习新东西之后，旧能力反而退化。

我的判断是：

对大多数团队来说，Model 层持续学习成本最高
它依赖训练数据、训练基础设施、评测闭环和模型发布机制
这更像平台级能力，而不是普通产品团队可以频繁迭代的日常手段

所以 Harrison 虽然承认模型层很重要，但他的真正重点并不在这里。

2. Harness 层：这是近一年 agent 工程最被低估的增益点

Harness 指的不是模型，而是“模型怎么被使用”：

系统提示词怎么写
工具怎么暴露给模型
调用循环怎样组织
什么时候截断上下文、什么时候重试、什么时候判断任务完成
哪些日志和 traces 被保存下来，供后续分析

Harrison 在文中点名了 https://yoonholee.com/meta-harness/ 这篇工作。它的思路可以概括为：

.让 agent 在一批任务上运行
.收集完整执行日志与得分
.把这些历史候选、源代码、执行 traces 都保存在文件系统里
.再让一个 coding agent 阅读这些材料，提出新的 harness 改动
.评测新 harness，继续迭代

这很重要，因为它说明：

agent 的进化可以不改模型，只改运行框架
真正高价值的优化对象，往往是“执行机制”而不是“参数”
traces 越完整，harness 优化越像工程迭代，而不是拍脑袋改 prompt

Meta-Harness 官方页面给出的结果也很强：它强调自己的关键差异是让优化器看到完整历史代码、分数与执行 trace，而不是只看摘要。作者称这种“文件系统级上下文”能把每轮优化可用诊断信息提升到远高于传统做法的量级。

3. Context 层：离业务最近，也最适合先落地

Harrison 把 Context 定义为位于 harness 之外、用来配置 agent 的内容，例如：

instructions
skills
tools
memory files
用户偏好
团队规则

这层的关键不在“模型学到了什么”，而在“系统记住了什么，并在之后的会话中如何继续使用它”。

LangChain Deep Agents 的官方文档把这件事讲得非常具体。它支持：

agent-scoped memory：所有用户共享同一份 agent 记忆
user-scoped memory：每个用户拥有独立记忆
在线更新：会话中直接写入记忆
后台整理：在会话外做 consolidation
skills 作为一种程序性记忆，只在需要时按需加载

这说明 Context 层并不是“多塞一点提示词”那么简单，而是一套可持久化、可分层、可读写、可检索的记忆系统。

四、作者举的两个例子

Harrison 在文章里用了两个 mapping：

Claude Code

Model：Claude Sonnet 等模型
Harness：Claude Code 本身
User context：CLAUDE.md、/skills、MCP.json

这个拆法非常实用，因为它直接说明：

你觉得“Claude Code 变聪明了”，未必是模型权重变了
也可能是 harness 改了
或者是你给它的上下文配置更好了

OpenClaw

Model：可以接多个模型
Harness：Pi 加上一些运行脚手架
Agent context：SOUL.md 与来自 ClawHub 的技能

我额外核对了 OpenClaw 的公开文档：

SOUL.md 被官方定义为 agent 的人格与语气配置文件
ClawHub 被定义为 OpenClaw 的 skills / plugins 公共注册表

这恰好印证 Harrison 的观点：很多 agent 系统的“持续学习”，本质上发生在可配置上下文层，而不是模型微调层。

五、这篇文章真正想推动的范式转移

如果把这篇文章提炼成一句话，我会写成：

Agent 的持续学习，正在从“训练模型”转向“优化完整系统”。

这里至少有三个变化：

1. 学习目标从权重转向系统行为

传统 LLM 持续学习更关注：

loss 有没有下降
benchmark 有没有提升

而 agent 持续学习更关注：

是否更会使用工具
是否更会规划步骤
是否更能从过去的失败里改进执行策略
是否更了解当前用户、团队或组织的偏好

2. 学习单位从单模型转向分层架构

同一个 agent 系统里，不同层的学习频率与代价完全不同：

Model：低频、高成本、平台级
Harness：中频、工程驱动、可评测
Context：高频、业务驱动、最容易在线发生

这意味着持续学习不该只有一个总开关，而应该是三套不同机制。

3. traces 成为统一燃料

Harrison 在文末反复强调 traces。这是全文最关键的基础设施判断之一。

原因很直接：

想改模型，要有 traces 作为训练/偏好数据来源
想改 harness，要有 traces 作为失败诊断材料
想改 context，要有 traces 作为经验提取素材

换句话说，没有高质量 traces，就没有高质量 agent learning loop。

六、个人的一些判断

1. Context 层会最先普及

我认为三层里最先大规模落地的是 Context 层，而不是 Model 层。

原因：

不需要训练 infra
对业务回报最直接
可按 user / team / org 做隔离
易于做权限管理和回滚
更容易符合企业系统对可控性的要求

很多今天被包装成“agent 会记忆了”的能力，本质上都属于这一层。

2. Harness 层会成为下一轮 agent 基建竞争焦点

如果 2024 年大家主要比拼“谁先把 agent 跑起来”，那么 2026 年更像是在比：

谁的 harness 更稳
谁的 traces 更完整
谁的评测与回放体系更闭环
谁能更快把失败案例沉淀为下一版 agent 行为改进

这也是为什么 Meta-Harness 这种工作值得重视。它代表一种很工程化的方向：让 agent 帮你改 agent。

七、对团队做 Agent 产品的实际思考

如果一个团队准备把“持续学习”纳入 agent roadmap，我建议按下面顺序推进：

第一阶段：先把 traces 做对

统一记录任务输入、工具调用、关键中间状态、输出结果、人工反馈
为失败任务保留可复盘证据，而不只是最终报错
给 traces 加上 user / org / task / version 维度标签

第二阶段：优先做 Context learning

从用户偏好、团队规则、术语表、操作 SOP 开始
区分只读记忆与可写记忆
明确作用域：哪些是 user 级，哪些是 org 级
支持在线写入与离线整理两种更新路径

第三阶段：建立 Harness optimization loop

把 agent 在标准任务集上持续运行
对 harness 版本做 A/B 对照和自动评测
让 coding agent 读取 traces，辅助提出 harness 改动候选
建立回滚机制，避免“改 prompt 一时爽，整体稳定性变差”

第四阶段：最后才考虑 Model-level learning

只有当你已经积累了足够多高质量 traces
并且 harness / context 层优化已经逼近上限
再进入微调或更系统的模型训练，投入产出比才更合理

八、一个可以直接复用的判断框架

遇到“agent 该怎么学”这个问题时，可以先问四个问题：

.这次要改的，是模型能力、运行机制，还是可配置记忆？
.这个改动，应该作用在 agent、user，还是 org 作用域？
.这个更新，应该在运行中即时发生，还是在离线任务中整理后再生效？
.有没有足够完整的 traces，支持评估这次学习是否真的有效？

如果这四个问题答不清楚，所谓“持续学习”大概率只是一个模糊口号。

九、结论

Harrison Chase 这条帖子和配套文章的价值，不在于提出某个全新算法，而在于把 agent 持续学习重新拆解为一个更实用的三层框架：

Model learning 解决底层能力
Harness learning 解决执行机制
Context learning 解决记忆与个性化

其中最值得产品团队立即行动的，不是训练模型，而是两件事：

建好 traces 基础设施
把 context 和 harness 的 learning loop 产品化

这也是我对这篇文章最核心的结论：未来更强的 agent，不一定先来自更大的模型，而更可能先来自更会“复盘、记忆、重构”的系统。

十、参考资料

X 原帖：https://x.com/hwchase17/status/2040467997022884194?s=20
LangChain 博客《Continual learning for AI agents》：https://blog.langchain.com/continual-learning-for-ai-agents/
Meta-Harness：https://yoonholee.com/meta-harness/
Deep Agents Memory 文档：https://docs.langchain.com/oss/javascript/deepagents/memory
OpenClaw SOUL.md 文档：https://docs.openclaw.ai/concepts/soul
OpenClaw ClawHub 文档：https://docs.openclaw.ai/clawhub

-END-

近期，我们也正在进行一个品牌相关的调研。

如您是创始人、CEO 、公司高管、投资人、媒体记者、KOL、求职者，我们也希望邀请您继续参与锦秋基金的调研。

参与调研者将有机会活动锦秋基金调研的数据。

面向创始人、公司CEO、高管的调研：

面向投资人的调研：

面向求职者的调研：

面向媒体记者、KOL的调研：

锦秋基金

每一个技术周期，都会有重新定义时代的创业者。

锦秋基金在不确定中长期支持想要改变世界的创业者，一起创造独一无二的伟大公司。

锦秋基金成立于2022年，专注早期，投资那些推动产业跃迁、拓展人类能力边界的创业公司。

锦秋基金目前已披露参与投资：

宇树科技、Momenta、数美万物、地瓜机器人、乐享科技、生数科技、首形科技、OiiOii、造梦次元、星尘智能、Pokee AI、铭芯启睿、因克斯、独响、Aha AI、清闲智能、微纳核芯、深度原理、光本位、澜昆微、流形空间、灵启万物、灵动佳芯、PongBot庞伯特、Pathfinder巡领科技、诺视科技、未来机器人、FastMoss、Dexmate、atoms.dev、Workmagic、Agile Flight、Talkme、Wanaka、Artarch、Infernet、SandwichLab、Wanderboat、Rezona、幕间、Isoform、Testsprite、Ribbi、NemoVideo、TarsTech、银河驿站、浪漫极客、Echo、Hydrox、SophiaPro、AdsGency、Go Plus Security、Safeheron、Poppark、Imaginix、Capso、fluxvita、猴子说话、奇妙拉比、JetCommerce、文图跃迁、新控智能、昌进生物、疆海科技、大秦数能、Leonis Capital、ZuzuZoos等。