Agent 自进化工程详解：从 Harness 到受控 RSI 的完整演进路径

现在聊 Agent，行业里最常挂嘴边的词大概是 Human in the loop——人在回路里。Agent 做一步，人看一步，人审批、人纠正、人兜底。这套模式本身没什么问题，但它有个硬伤：人不可能 24 小时盯着。

一个没人盯的 Agent，自己悄悄改了自己的行为，你怎么判断它改好了还是改砸了？出了问题又该谁来背锅？所以相比之下，我更认同另一条路径：受控的自进化。

什么叫“受控”？说白了，就是让 Agent 在真实业务里跑，跑完以后系统自动收集它的工作轨迹和人工反馈，接着干三件事：把客观事实沉淀成 Memory，把可复用的方法整理成 Skill，再通过评测和审批，决定要不要把这些东西更新进 Agent 的能力体系。

这里的关键很明确：有边界、可回滚。经验不会自动生效，得先过评测；能力更新也不是一步全量，得走审批；万一表现退化，必须能一键回滚。

对 Agent 而言，经验积累的本质，就是持续提升学习能力。这项能力大致会沿着这样一条路线往前发展：

任务内适应 → 长程连续运行 → 跨会话记忆 → 经验技能化 → 评测驱动的自进化 → 多 Agent 集体进化

它不是一夜之间变聪明，而是一步一步、可控地变聪明。当这套机制扩展到多个 Agent、设备和用户时，一个数字分身学会的方法，还可以经过汇集、去重和验证，转化成团队乃至整个组织的共同能力。

上面这些思路，来自我学习《自进化 Agent 工程实战》专栏时做的提炼。讲师 Tyler 是国内头部大模型团队的算法负责人，自己带数字员工平台团队。

课程主线围绕一个长期在线的 On-call Agent 展开，案例都来自一线实战。为什么选这个场景？因为每个工程师都体会过值班的滋味——半夜告警、查日志、定位问题、改配置、写复盘。

这个场景天然包含了：长任务、权限边界、高风险操作、人工审批、事故复盘、经验沉淀。所有 Harness 要解决的问题，这个场景里全有。

这也是目前我看到的、在工程实践层面真正聊清楚自进化 Agent，而不是纯概念炒作的一门课。如果你最近也在研究 Agent，这门课值得关注。

这门课怎样展开？

它不是单纯堆几个 Agent 技术名词，而是沿着一个 Agent 的能力成长，拆成五个篇章，带你一步步走完从“会行动”到“会进化”的全过程。

01 初识 Harness：让 Agent 学会行动

从 Codex 入手，拆解 Agent Loop、运行时控制和上下文引擎。

你会看懂 Agent 如何决定下一步、调用工具、处理结果，以及模型每一轮究竟能看到什么，从而找到工程师真正能够干预 Agent 的关键位置。

02 长程运行：让 Agent 持续工作

当任务从几轮变成几十轮、几百轮，上下文该怎么管？过去的经验怎么利用？规则如何持续生效，又不必把所有信息一股脑塞进上下文？

这一部分会围绕 AGENTS.md、上下文压缩、会话分支、Skill、渐进披露，以及隔离与审批机制展开，让 Agent 从“完成一次任务”走向“长期值守”。

03 经验回流：让 Agent 从工作中学习

任务结束之后，经验怎么留下来？

课程会转向 Hermes，讲解后台复盘、Memory、历史会话检索、外部知识接入和 Skill 演化，让一次有效的排障经验，逐渐变成可以复用的事实和方法。

04 验证改进：让 Agent 进化得更可靠

会学习还不够，你还得知道自己有没有真的变好。

通过 Skill Curation、业务 Eval、A/B 测试、安全恢复和离线优化，让新方法经过评测、审批和版本管理；效果退化时，也能及时回滚。

由此建立可观测、可验证、可回滚的受控 RSI 闭环。

05 群体进化：让经验成为团队能力

最后借助 SkillClaw，让不同 Agent 的经验能够汇集、验证和共享，并按照岗位、项目和权限边界进入下一次任务。

最终，你将完成一个完整的自进化 On-call Agent：持续工作、积累经验、引入新能力，并在效果退化时回滚。

贯穿课程的能力进度是：连续行动 → 长程值守 → 积累经验 → 验证改进 → 共享能力。每一步都对应具体的工程问题，带你结合真实挑战，掌握自进化 Agent 的设计与落地方案。

写在最后

做了一年多 Agent，我最大的感受是：单任务能力的提升很快会变成红海，大家都能调 API、都能接工具。真正拉开差距的，是经验能不能留下来、被验证、被复用。

你不在场时，Agent 怎么持续工作？它踩过的坑，下次能不能不再踩？团队里一个 Agent 学会的东西，其他 Agent 能不能也用上？

这些问题没有标准答案，但值得每个做 Agent 的人认真思考。如果你也在琢磨这些事，不妨从看懂 Harness 开始，逐步走向受控 RSI，构建一个能在业务中持续成长的 Agent。

对 大模型 相关的 API 接入、模型选型和 人工智能 技术实践感兴趣的，也可以在云栈社区找到更多同行的交流与资源分享。