如果你已经在让agent自己改写prompt、技能或记忆文件，这篇论文值得花时间读完。


持续学习的研究一直盯着模型权重：训练一个模型，让它学新东西的同时不忘旧知识。这套思路在大模型时代遇到了一个尴尬——现代agent的适应方式早就变了。

现在的agent怎么适应？通过外部harness：prompts、记忆、工具、技能规范、路由规则。基础模型可以冻结不动，但这些组件在持续变化，agent的经验就积累在这些组件里。

问题来了：你改了一个prompt或者一条路由规则，模型没动，但之前一直正常的行为突然崩了。论文给这个现象起了个名字：**harness-level forgetting**（harness级遗忘）。

这意味着持续学习的战场转移了。以前你只需要担心权重被新知识覆盖，现在你还要担心外部状态被自己改坏。

论文来自南京大学和澳大利亚卧龙岗大学的研究团队（Borui Kang、Jinrui Gu、Junhan Lv、Wenbin Li、Lei Wang、Yang Gao），正式提出了**Harness Continual Learning（HCL）**范式：围绕冻结的基础模型，顺序更新辅助系统状态来获取和保留能力。

## 核心方案：把“提议”和“提交”分开

论文给出的方法叫**guarded harness evolution**（受保护的harness演化），核心就一个动作：分离更新提议和状态提交。

- **Continual Optimizer**：根据执行后的反馈，起草候选harness

- **Continual Evaluator**：只有通过三项检查才允许提交——当前改进、历史保留、有效性

说白了：你可以提方案，但不能直接改。先验证，再落地。

HCL包含四个执行相关组件：Task Interface（任务接口）、Experience Memory（经验记忆）、Capability Map（能力图谱）、Adaptive Router（自适应路由）。

## 实验数据

论文在文本推理、多模态感知、开放世界交互三个场景做了实验，多个设置下相对基线增益超过10%。同时通过组件消融评估了每个组件的贡献，还量化了harness-level forgetting的存在，并证明稳定性-可塑性权衡是可以显式调节的。

实验结果表明，这种“先验证再提交”的机制既能积累能力，也能在出问题时恢复失败。

## 一点延伸思考

这篇论文的价值在于把一个问题正式化了：当agent的经验从权重转移到外部文件时，版本管理、回归测试、回滚机制就变成了刚需。

评论区有人提到，可编辑记忆也应纳入框架——agent不断积累和更新上下文，过期或错误的记忆同样会造成harness-level forgetting。还有人指出，评估器必须测试整个harness状态，因为路由变更可能通过历史和当前检查，却破坏了它新选中的工具路径。

也有实际经验分享：让agent重写自己的代码，能存活的关键不是重写本身，而是有一份它不被允许触碰的denylist文件。

论文地址：https://arxiv.org/abs/2608.19013

跟踪更多AI论文：https://academy.dair.ai/