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：
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：
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：
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：
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”：
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：
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：
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：
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
这个拆法非常实用，因为它直接说明：
OpenClaw
我额外核对了 OpenClaw 的公开文档：
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：
而 agent 持续学习更关注：
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：
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：
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：
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：
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
第二阶段：优先做 Context learning
第三阶段：建立 Harness optimization loop
第四阶段：最后才考虑 Model-level learning
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：
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：
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。
