核心要点
- 持续学习不只发生在模型权重层，也发生在 harness 和 context 层。
- 三层区分能帮助团队更准确判断“应该训练模型、改系统，还是改上下文”。
- 很多 agent 的改进其实更适合在 harness 或 context 层完成。
- 这套分层有助于构建可持续进化的 agent 系统。
原文链接 English Original — LangChain Blog, by Harrison Chase
这篇文章最重要的贡献，是把“AI agent 的持续学习”从单一的模型训练问题，拆成了三个层次：Model、Harness、Context。模型层指权重本身；Harness 层指驱动 agent 的代码、固定指令和总是存在的工具；Context 层则是外部注入的附加知识，比如用户偏好、技能、任务说明等。 作者指出，很多人一提到 continual learning 就只想到更新模型参数，比如 SFT、RL、LoRA 等。但对 agent 系统来说，真正发生变化的地方远不止模型。举例来说，像 Claude Code 这样的系统，其模型可能是 claude-sonnet，harness 是 Claude Code 本身，而 CLAUDE.md、skills、mcp.json 之类则更接近 context。OpenClaw 也是类似结构：模型是可替换的，Pi 与外部脚手架构成 harness，而 SOUL.md、skills 等是 context。 在模型层，核心问题是如何让新能力进入权重而不造成灾难性遗忘；但这通常成本高、周期长，也不适合频繁针对单用户细调。相比之下，Harness 层学习更像工程优化：改工具、改流程、改 middleware、改默认规则，让所有 agent 实例一起受益。Context 层学习则更轻量，适合把团队知识、用户偏好或特定任务指引快速注入系统。 这篇文章对实际落地非常有用，因为它提醒我们：当 agent 表现变差或想要持续改进时，不要第一反应就是“训练模型”。很多时候，问题真正落在 harness 设计或 context 组织方式上。分清三层，才能决定最划算、最快速、最稳定的改进路径。 换句话说，持续学习不是单点优化，而是一个多层系统演进问题。真正强的 agent，不只是模型更强，而是三层都能持续进化。