南京大学与伍伦贡大学提出 Harness Continual Learning：将持续学习从模型参数扩展至 Agent Harness

传统持续学习聚焦模型参数沿任务序列更新，避免灾难性遗忘。但在Agentic AI时代，部署中的智能体行为不仅由基础模型决定，还依赖围绕模型的Harness，包括系统提示词、交互记忆、可复用技能、外部工具、工作流与路由策略。即使不微调模型，更新这些状态也能持续改变行为。

基于此，南京大学推理与学习研究组与澳大利亚伍伦贡大学研究者提出Harness Continual Learning（HCL），首次将学习对象从模型参数拓展至Harness，系统定义并研究Harness如何沿连续任务序列获取新能力、保留既有行为，以及应对遗忘。

HCL形式化定义：在基础模型冻结条件下，Agent沿连续交互序列更新已部署的Harness，在获取新行为的同时尽可能保留过去可靠行为。每次更新不仅评估当前任务改善，还追问是否破坏过去已学会的行为。