南大与伍伦贡大学提出Harness持续学习，将学习对象拓展至模型外系统
这篇论文提出持续学习的新对象——模型外的Harness系统，让智能体在不改模型的情况下持续进化，并防止遗忘旧能力。
传统持续学习只关注模型参数更新，但智能体的行为还受系统提示、记忆、工具等模型外Harness影响。南京大学与伍伦贡大学研究者提出Harness持续学习（HCL），在冻结基础模型的同时，通过更新Harness获取新能力，并定义Harness级遗忘与守卫演化机制，防止更新破坏已有可靠行为。
正文摘录
.jpg)  长期以来，持续学习主要研究模型参数如何沿任务序列更新，以及系统如何在学习新任务时避免灾难性遗忘。经验回放、正则化、优化约束和架构扩展等方法虽然路径不同，但共享同一个基本前提： 持续学习主要发生在模型内部 。 但在 Agentic AI 时代，这一 以模型参数为中心的前提正在发生变化 。一个部署中的智能体不仅由基础模型决定，还依赖围绕模型运行的一整套 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，智能体也能通过更新这些状态持续改变行为。换句话说， 当基础模型保持冻结时，持续学习和演化的对象可以不再局限于模型参数，而是扩展到 Harness （如图 1 所示）。 基于这一背景，南京大学推理与学习研究组与澳大利亚伍伦贡大学的研究者共同提出 Harness Continual Learning 。该工作首次以传统持续学习的基本问题为出发点，将学习对象由模型参数拓展至 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，以及应对更新过程中产生的遗忘。 这一转变为模型之外的持续学习建立了新的研究对象与基本框架。