内容
大多数关于AI中持续学习的讨论都聚焦于一个方面：更新模型权重。但对于AI智能体而言，学习可以发生在三个不同的层级：模型、框架（harness）和上下文。理解这些差异将改变你构建能够随时间改进系统的思维方式。
AI智能体系统的三大主要层级包括：
- 模型：即模型权重本身
- 框架：围绕模型的框架，驱动智能体的所有实例。这包括控制智能体的代码，以及始终作为框架一部分的任何指令或工具
- 上下文：位于框架之外的附加上下文（如指令、技能），可用于配置框架
示例 #1：将Claude Code编码智能体映射到上述结构：
- 模型：claude-sonnet等
- 框架：Claude Code
- 用户上下文：CLAUDE.md、/skills、mcp.json
示例 #2：映射到OpenClaw：
- 模型：多个
- 框架：Pi + 其他支撑架构
- 智能体上下文：SOUL.md、clawhub中的技能
当我们谈论持续学习时，大多数人会立即想到模型。但实际上——AI系统可以在这三个层级中的任何一个进行学习。
模型层级的持续学习
当大多数人谈论持续学习时，他们通常指的是更新模型权重。
这里的核心挑战是灾难性遗忘——当模型在新数据或任务上更新时，往往会丧失先前掌握的知识。这是一个开放的研究问题。
当人们为特定智能体系统训练模型时（例如，你可以将OpenAI Codex模型视为为其Codex智能体训练的），他们主要是针对整个智能体系统进行训练。理论上，你可以在更细粒度级别进行（例如，可以为每个用户设置一个LORA），但在实践中，这主要在智能体级别完成。
框架层级的持续学习
如前所述，框架指的是驱动智能体的代码，以及始终作为框架一部分的任何指令或工具。
随着框架变得越来越流行，已有几篇论文讨论了如何优化框架。
最近的一篇是Meta-Harness：模型框架的端到端优化。
核心思想是智能体在循环中运行。首先，它在大量任务上运行，然后进行评估。接着将所有这些日志存储到文件系统中。然后运行一个编码智能体来查看这些跟踪记录，并提出对框架代码的修改建议。
与模型持续学习类似，这通常在智能体级别完成。理论上，你可以在更细粒度级别进行（例如，可以为每个用户学习不同的代码框架）。
上下文层级的持续学习
"上下文"位于框架之外，可用于配置框架。上下文包括指令、技能甚至工具等内容。这也被称为记忆。
同样的上下文也存在于框架内部（例如，框架可能具有基础系统提示词、技能）。区别在于它是否属于框架的一部分或属于配置部分。
上下文学习可以在不同层级进行。
可以在智能体级别进行上下文学习——智能体拥有持久的"记忆"并随着时间的推移更新其自身配置。一个很好的例子是OpenClaw，它具有自己的SOUL.md，会随时间推移而更新。
更常见的是在租户级别（用户、组织、团队等）进行上下文学习。在这种情况下，每个租户都会获得随时间更新的独立上下文。示例包括Hex的Context Studio、Decagon的Duet、Sierra的Explorer。
你也可以混合搭配！因此你可以拥有一个智能体，同时具备智能体级别、用户级别和组织级别的上下文更新。
这些更新可以通过两种方式进行：
- 事后通过离线作业进行。类似于框架更新——处理大量近期跟踪记录以提取见解并更新上下文。这就是OpenClaw所称的"做梦"
- 在智能体运行时通过热路径进行。智能体可以决定（或用户提示它）在从事核心任务时更新其记忆
需要考虑的另一个维度是内存更新的显式程度。是用户提示智能体记忆，还是基于框架本身的核心指令让智能体自动记忆？
比较
跟踪记录是核心
所有这些流程都由跟踪记录驱动——智能体执行路径的完整记录。LangSmith是我们的平台之一，主要功能之一是帮助收集跟踪记录。
然后你可以用多种不同方式使用这些跟踪记录。
如果你想更新模型，可以收集跟踪记录并与Prime Intellect等公司合作训练你自己的模型。
如果你想改进框架，可以使用LangSmith CLI和LangSmith Skills为编码智能体提供对这些跟踪记录的访问权限。这种模式帮助我们改进了Deep Agents（我们开源的、模型无关的、通用目的的基础框架）在终端基准测试中的表现。
如果你想随时间学习上下文（无论是在智能体、用户还是组织级别），那么你的智能体框架需要支持这一点。Deep Agents——我们首选的框架——以生产就绪的方式支持这一点。有关如何实现用户级内存、背景学习等的示例，请参见相关文档。