企业官网建设流程全解析

本文探讨了模型参数冻结后，Agent 的工作系统（任务接口、记忆、能力图谱和路由）仍会持续变化的问题。作者提出了 Harness 持续学习（HCL）框架，该框架包含生成候选、独立评估和决定提交的闭环流程，确保 Agent 的自我改进既可验证又可拒绝。文章强调，可靠性的核心从“能否产生变化”转向“能否管理变化”，并指出新任务收益与旧能力保持需分别评估。通过版本治理，Agent 能在自我更新的同时避免退化，这对长期系统至关重要。

模型参数冻结后，任务接口、记忆、能力图谱和路由仍会持续变化。HCL 提出一套可验证、可拒绝、可回退的更新制度，让 Agent 的持续学习从产生变化走向治理变化。

读完《Harness Continual Learning》，我最大的收获，是把 Agent 的持续学习理解成一次次可验证、可拒绝、可回退的系统更新。

模型参数即使保持不变，围绕模型工作的任务接口、记忆、能力图谱和路由仍会持续改变。这些变化会让 Agent 学会新任务，也可能悄悄改写旧任务的行为。长期系统因此需要两种能力：吸收有效的新经验，以及识别并拒绝会破坏旧能力的更新。

2026 年 8 月提交的论文，把这个问题定义为 Harness 持续学习（Harness Continual Learning，HCL）。这里的 Harness，可以理解为围绕基础模型组织任务、经验、能力和执行路径的工作系统。作者提出了一套受控更新框架：生成候选，分别检查新任务收益、旧能力损失和执行有效性，通过后再提交。

概念备注｜本文所说的 Harness，指围绕基础模型组织任务接口、记忆、能力图谱、路由和工具环境的工作系统。

本文更关心这套设计带来的思路：当 Agent 开始修改自己的工作系统，可靠性的核心会从“能不能产生变化”，继续推进到“能不能管理变化”。

核心 Insight

• 模型参数冻结，不代表 Agent 的行为已经冻结。模型外的工作系统同样会学习，也同样会遗忘。
• 任务接口、记忆、能力图谱和路由需要作为一个整体版本管理。任何局部变化，都可能通过组合关系改变旧任务表现。
• 自我改进要形成“提出候选—独立评估—决定提交”的闭环。能够拒绝一次错误更新，与能够生成更新同样重要。
• 新任务收益和旧能力保持需要两张成绩单。把两者压成一个平均分，容易让局部进步掩盖长期退化。

01

模型参数冻结后，Agent 的工作系统仍在变化

传统持续学习主要关注模型参数怎样随任务更新。Agent 系统的可变状态已经延伸到模型之外：输入、记忆、能力和执行路径都在参与最终行为。

论文的 Figure 1 并列展示了两种遗忘：左侧更新模型参数，右侧冻结模型、更新 Harness。两种情况下，新任务的改进都可能伴随旧任务失败。

图 1A｜传统持续学习主要更新模型参数，旧任务可能随顺序更新而退化。

图 1B｜模型冻结后，Harness 的更新仍可能改变旧行为。

右侧现象被论文称为 Harness 级遗忘（harness-level forgetting）。新提示可能破坏旧格式，新经验可能被错误召回，路由变化也可能让旧任务选中另一套工具。一次很小的编辑，也可能影响整套能力。

02

任务接口、记忆、能力图谱和路由需要一起版本化

HCL 用四个部分描述 Harness 的可变状态。它们分别承担不同职责，又在一次执行中彼此连接。

↔ 左右滑动查看完整表格

Agent 的行为来自四部分的组合。能力文件不变，新的路由仍可能在错误时机选择它；记忆内容无误，与新接口组合后也可能改变原有语义。

一次可复现的更新，至少要记录基础模型、任务接口、记忆快照、能力图谱、路由和工具环境。版本要描述 Agent 真正运行的联合状态，旧结果才能复现，新旧候选才有共同起点。

03

提议—评估—提交，让自我改进具备拒绝能力

当前 Harness 执行任务并获得反馈，优化器据此修改一个或多个组件，形成候选。候选不会因为当前任务表现更好就自动替换旧版本。

图 2A｜任务接口、经验记忆、能力图谱和路由共同组织 Agent 的实际执行。

评估器随后检查三件事：当前任务是否改善，历史锚点上的损失是否可接受，输出、工具和环境是否仍然有效。全部通过，候选才成为下一版本；任何一项失败，系统保留当前版本。

图 2B｜优化器提出候选 Harness，评估器决定接受或拒绝。

历史锚点只提供给评估器，优化器不能直接读取，以免围绕固定验收题定向修改 Harness。新旧版本还要在相同模型、工具和环境下比较。有限锚点只能代表被覆盖的能力；其中没有观察到损失，也不能推出所有旧场景都不会退化。受控提交提高了可审查性和可拒绝性，不等于覆盖所有情况的安全证明。

04

新任务进步与旧能力保持，需要两张成绩单

论文实验展示了一个重要张力：更积极地学习新任务，常常会增加旧能力退化；更严格地保护旧能力，也可能阻止系统获得足够的新能力。

在 ALFWorld 的六类顺序任务中，该论文冻结同一个基础模型，比较静态 Harness、稳定版 HCL 和可塑版 HCL。

↔ 左右滑动查看完整表格

可塑版获得略高的最终平均表现，也付出更大历史损失；稳定版少拿到一点收益，却显著降低遗忘。两者代表不同运行策略。只看平均表现会遗漏历史代价，只看遗忘又会忽略系统学到了多少新能力。

Minecraft 的长课程中，HCL 完成了 50 项任务，静态版本停在 15 项，显示前序经验可以转成后续能力。论文以保留技能测试检查旧能力，并未在每次更新后重放全部任务，因此这个结果不能证明每个中间版本都完整保住所有旧任务。

预算实验还显示，允许更多历史损失，并不会单调换来更强的长期系统。在这组任务里，中等预算的最终平均表现为 63.46、遗忘量为 1.22；完全放开后，前者降至 60.13，后者升至 3.45。这不是通用参数建议，但揭示了路径依赖：一次激进更新会改变后续学习的起点。

图 4｜历史损失预算越宽松，遗忘总体越容易随任务推进累积。

文本、多模态和组件消融实验也给出同一提醒：总体平均提升时，个别任务仍可能退化；受限版本遗忘更少，也可能只是因为它学得更少。新任务收益、历史能力保持和任务级异常，需要分别观察。

05

Harness 越能自我更新，版本治理越成为核心能力

HCL 没有直接验证真实生产环境的发布流程，但它给出了一套可迁移的制度框架：分开服务版本与候选版本，分开更新生成与更新批准，分开一次改进与长期能力。

生产版本需要一份联合清单，把基础模型、任务接口、记忆快照、能力图谱、路由、工具和环境配置放进同一记录，让行为变化可以复现和定位。

真实反馈适合触发候选分支，不直接改写运行版本。候选可以吸收新经验，但要在隔离环境中检查新任务、代表性旧能力和运行约束。

每次提交都应保留父版本、评估结果和回退目标。失败候选留下的拒绝原因也有价值：它会暴露记忆污染、路由回归和锚点盲区。

新的瓶颈也会出现：能力越多，历史保持评估越贵；记忆、技能和规则越多，内容整合越难；任务流越长，远期影响越难被短期测试捕捉。该论文也把高效保持评估、Harness 内容整合和更长任务序列列为后续问题。

未来 Agent 系统的差异，很可能也会体现在谁能以更低成本判断变化是否值得留下。生成更新是能力，管理更新会逐渐成为基础设施。

思考

Agent 竞争正在转向如何管理变化

这篇论文让我重新理解“自我改进”这个词。很多演示把注意力放在 Agent 能否总结经验、修改提示词或生成技能；这些动作证明系统具备产生候选变化的能力，却没有回答变化应不应该进入下一版本。

当模型外的工作系统越来越可编辑，Agent 的演化可能会先在 Harness 层加速。相应地，竞争重点会从单次生成质量，扩展到一整套变化治理能力：版本是否完整，评估是否独立，历史能力是否有代表性锚点，拒绝理由与恢复路径是否真实可用。

评估也会从发布流程末端进入每次学习的内部，直接决定系统能不能继续演化。它会成为更新机制的一部分。

结语

会产生更新还不够，可靠系统还要会拒绝错误更新

HCL 提供的关键启发，是把 Agent 的学习看成连续的版本决策。任务接口、记忆、能力图谱和路由共同改变行为；每次变化都先成为候选，再分别接受新任务、旧能力和执行有效性的检查，最后才决定提交或拒绝。

这套框架没有消除遗忘，也不能保证有限测试之外的所有能力都保持不变。它让变化拥有了更清楚的边界：什么被修改，依据什么接受，因为什么拒绝，出现问题怎样回退。

Agent 会越来越擅长产生自己的下一版。真正决定它能否长期可靠工作的，是系统有没有能力对下一版说“可以”，也有能力在必要时说“不”。

大模型的知识又多又杂，到底怎么学？

做这行久了，被问最多的问题就一个：大模型的知识又多又杂，我到底先学啥？翻了一堆资料，看啥都像重点，结果啥都没学进去。今天把我自己一路摸出来的顺序捋一遍，零基础、应届生、转行的都适用。跟着走，至少方向不乱、不瞎忙，学完拿得出手。

第一阶段（10天）：初阶应用

这一阶段就一个目标：把大模型真正"玩明白"，不是只会聊天那种，而是能调教它、能用代码把大模型和业务接起来。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

这阶段正式进实战，目标很实在：做出两个能拿出手的东西——一个私有知识库，一个 agent 对话机器人。

• 为什么要做 RAG

• 搭建一个简单的 ChatPDF

• 检索的基础概念

• 什么是向量表示（Embeddings）

• 向量数据库与向量检索

• 基于向量检索的 RAG

• 搭建 RAG 系统的扩展知识

• 混合检索与 RAG-Fusion 简介

• 向量模型本地部署

• …

走完这 30 天，Python 或 JavaScript 背景的基本能独立做一套 RAG 应用，简历上也敢写"大模型应用开发"了。

第三阶段（约20天）：动手微调

学到这，你已经开始 “造” 模型了 —— 通过微调，搞出垂直领域的专用小模型。

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你从 “只会用” 变成 “能造” 的 AI 小子。那么你还想往下探索吗？

想要入局AI大模型赛道、抢占行业红利的朋友，微信扫描下方CSDN官方认证二维码，即可100%免费领取全套学习资料！

第四阶段（20天）：商业闭环，部署落地

技术学完，落地才算数。这阶段带你搞明白大模型怎么真正跑起来、用起来。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

想要入坑大模型的朋友，给大家准备了一份2026 年最新 AI 大模型全套学习资料：

1、大模型系统化学习路线

2、大模型学习视频教程

3、大模型学习书籍&电子文档

4、AI大模型最新行业报告

5、大模型项目实战&配套源码

6、2026大模型大厂面试真题

7、为什么要学习大模型？

我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。

8、适合谁学？

• 传统后端 / Java / 前端开发，想转型 AI 应用
• 大学生、应届生，想拿更好的 offer
• 产品经理、运营，想武装职业竞争力
• 技术负责人，想给团队落地提效

学习是反人性的，但回报是真金白银。技术会更新，赛道会切换，但只要你先动手，机会就永远站在你这边。

9、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

想要入局AI大模型赛道、抢占行业红利的朋友，微信扫描下方CSDN官方认证二维码，即可100%免费领取全套学习资料！

好了，就写到这。路线是死的，人是活的，卡住了随时来问我。觉得有用就点个收藏，别让它进收藏夹吃灰——动起来比啥都强。