本文定义了一个包含模型（Model）、Harness 和上下文（Context）的三层框架，用于在 AI 智能体中实现持续学习，超越了简单的权重更新，涵盖了代码优化和持久化记忆。
📝 详细摘要
LangChain 探讨了 AI 智能体如何通过三个不同的层级随时间推移进行改进。传统的持续学习侧重于通过 SFT（监督微调）或 RL（强化学习）更新模型权重，而智能体还可以通过 Harness（驱动智能体的代码和基础指令）以及 Context（动态指令、技能和记忆）进行学习。作者强调，虽然模型更新面临灾难性遗忘等挑战，但 Harness 优化（利用智能体改进其自身代码）以及在智能体、用户或组织层面的上下文学习，为系统改进提供了更直接的途径。所有这些方法的核心都是执行追踪（Traces），它们为离线后台学习和热路径更新提供了必要的数据。
💡 主要观点
- 智能体的持续学习发生在三个不同的层级：模型、Harness 和上下文。 虽然大多数人关注模型权重，但驱动智能体的代码（Harness）和动态配置/记忆（上下文）对于系统的长期改进同样至关重要。
💬 文章金句
- 对于 AI 智能体而言，学习可以发生在三个不同的层级：模型、Harness 和上下文。
- 这里的一个核心挑战是灾难性遗忘——当模型在新的数据或任务上进行更新时，它往往会在之前掌握的知识上出现退化。
- 核心思想是智能体在循环中运行……存储所有这些日志……运行一个编码智能体来查看这些追踪，并建议对 Harness 代码进行修改。
- 追踪是核心——即智能体所做之事的完整执行路径。
📊 文章信息
AI 评分：92
精选文章：是
来源：LangChain Blog
作者：Harrison Chase
分类：人工智能
语言：英文
阅读时间：4 分钟
字数：914
标签： AI 智能体, 持续学习, LangChain, 智能体 Harness, LLM 记忆