三层持续学习

定义

三层持续学习（Three-Layer Continual Learning）是 Harrison Chase 提出的 Agent 进化框架：Agent 系统可以在三个不同层面学习，而不仅仅是"更新模型权重"。三层分别是 Model（模型）、Harness（框架）、Context（上下文）——学习发生在哪一层，决定了工具、方法、成本都不同。

要点

• Model 层：更新模型权重。技术手段如 SFT、RL（GRPO）。核心难题是灾难性遗忘〔待补〕。通常在 agent 整体级别做，而不是用户级
• Harness 层：优化 agent 循环代码本身——驱动代码、工具定义、固定指令。代表工作是 Meta-Harness：跑一批任务→记录 trace→让 coding agent 读 trace 并改 harness 代码
• Context 层：框架之外的、可配置的上下文——指令、技能、记忆。这层最接近我们日常说的"agent 记忆"
• Context 层的学习维度：
  • 粒度：agent 级 / 用户级 / 组织级，可以混搭
  • 时机：离线（"dreaming"）vs 在线（hot path，运行中更新记忆）
  • 显式度：用户明确要求记住 vs agent 自主决定记住
• 核心洞察：大多数人一谈"持续学习〔待补〕"就只想到更新权重，但对 agent 系统而言，harness 和 context 层的改动往往更快、更便宜、更可控
• 一切由 trace 驱动：三层学习的共同输入都是 Agent Traces——agent 完整执行路径的日志

示例

系统	Model	Harness	Context
Claude Code	claude-sonnet 等	Claude Code 本体	CLAUDE.md, /skills, mcp.json
OpenClaw	多个模型	Pi + 脚手架	SOUL.md, clawhub skills

• OpenClaw 的 "dreaming" 机制 = 离线 context 层学习
• Hex Context Studio / Decagon Duet / Sierra Explorer = 租户级 context 学习的产品化

相关概念

• 持续学习〔待补〕 — 模型层视角下仍未解决的问题，三层学习是工程代偿
• 灾难性遗忘〔待补〕
• Agent Traces
• Self-Improving Agent
• Agent Harness

参考资料

• Harrison Chase (@hwchase17), Continual learning for AI agents (2026-04-05)
• Meta-Harness: End-to-End Optimization of Model Harnesses