Agent 的持续进化
教程行至此处，最后一个问题自然浮现：Agent 能不能越用越聪明？本章讨论“进化”的四个层次——从人帮它积累，到它自己积累，再到模型本身的迭代。
层次一：经验沉淀（人策展）
最低成本、当下最可靠的进化：把运行中学到的东西固化回系统。
- 记忆文件的生长：每个新项目的约定、每个失败案例的教训，写进
AGENTS.md、记忆文件或 Skill。下次同类任务直接受益。 - 评测集的增长：每个 bad case 变成一个测试用例（见评估一章）——系统对“犯过的错”免疫。
- 工具与 Skill 库的积累：重复出现的操作流程封装成 Skill，团队共享。
这一层没有魔法，本质是组织知识管理，但它是后面所有层次的基座。
层次二：自我改进（Agent 策展）
让 Agent 自己参与经验的沉淀与修正：
- 会话结束的自动提炼：Agent 复盘本次任务，把值得记住的写入记忆（写入需人审或经安全策略把关）。
- 自我批评与修复循环：生成 → 自查 → 修正的多轮机制，用“另一个视角”审查自己的产出（独立评审 Agent 是其多智能体形态）。
- 技能生成：发现某类操作反复手工描述，自动起草一个新 Skill 供人审核入库。
边界要清醒：自我改进的写入必须可控（否则错误经验自我强化），且“改进”的效果要能被评测集验证——没有评估闭环的进化，无法区分变聪明和变固执。
层次三：模型层进化（训练驱动的底层抬升）
更根本的进化发生在模型本身：
- Agent 式 RL 训练：用可验证奖励（测试通过、任务完成）对模型做强化学习，模型把“会循环、会试错”内化为参数而不是 prompt。前沿模型的大部分 Agent 能力来自这里。
- 长时程能力的快速抬升：衡量“Agent 能自主工作多长时间才需要人介入”的时间尺度（如 METR 的 time-horizon 度量）呈现稳定指数增长——每过几个月，可委托的任务时长翻倍。
这一层的含义是：今天写进 Harness 的某些补偿逻辑，明天会变成模型的原生能力。保持 Harness 与模型的边界清晰，才能在模型进步时顺畅地删掉过时的补丁。
层次四：生态进化
最后是系统之外的演进：MCP 工具生态在扩张、A2A 让 Agent 互联、开源 Harness 在互相借鉴。单个 Agent 的能力边界，越来越取决于它能接入的生态。
进化的护栏
四层进化叠加之后，必须守住两条底线：
- 可回滚。记忆、Skill、配置的每次变更都可追溯、可撤销——进化不应是单向门。
- 可验证。每次“变聪明”都要过同一套评测集。进化系统中，评估就是免疫系统。
结语
回到开篇的比喻：Agent 的一切工程，都是在给一颗借来的大脑补齐眼睛、手脚与记忆。这本教程讲的所有内容——上下文、记忆、工具、编排、安全、评估——都是这套“身体工程”的零件。零件的图纸还在快速迭代，但装配的思路是稳定的：用系统的确定性，包裹模型的不确定性；用机制的护栏，放大模型的判断力。