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

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:


  1. .让 agent 在一批任务上运行
  2. .收集完整执行日志与得分
  3. .把这些历史候选、源代码、执行 traces 都保存在文件系统里
  4. .再让一个 coding agent 阅读这些材料,提出新的 harness 改动
  5. .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…

— 以上为试看内容(约 40%),开通会员后阅读全文 —