最近我在开发一个非参数化 Agent 自进化机制项目，已全部开源。等我的新 Mac mini 到货后，我计划测试一个能本地运行 30 天的场景。

文章链接：
https://mp.weixin.qq.com/s/jp4OLuDKy2AuTvj0jzlEBg

无限运行时 Runtime

我一直在思考，为什么大多数 Agent harness 设计都要给任务设置硬性停止条件？而且这些机制大多是硬编码的，这非常不 AI native。从 2020 年开始做企业软件后，我深刻认识到在复杂场景中，任务的边界是多么模糊。这需要 agent 具备长链路执行能力，能够自主处理上下文，在遇到各种失败时自我修复，任务流意外中断后能继续恢复而不是从头开始。

最好的上下文压缩就是不压缩

在开发 growth-harness 时，我干脆不设置硬性轮次上限。任务该运行多久，交给 Agent 自行判断：每运行 30 轮，它会停下来自我审查进度、完成情况以及是否值得继续运行，根据需要决定是继续还是结束。因此，真正限制它的不是轮次，而是你愿意给 AI 分配多少 token 预算。

我认为现在的 personal agent 在拥有大量用户 memory 后，可以尝试采用这种策略，因为大量 memory 已经为这种自我审计设定了真实场景的边界。这种体验应该会有显著提升，因为你不能总是让用户回到产品中给 Agent 提供下一步交互（这并非真正的 7*24h 服务）

Pre-registered Learning 预注册学习机制

从第一性原理角度看，任何在上下文层面实现 agent 经验进化的方法，本质上都是一套记忆系统，只是在存储内容结构、召回方式和应用场景上做了特定领域的改造。在 growth-harness 项目中，我构建了一套由「意图」「经验」「效用」三元组构成的经验进化引擎，我称之为预注册学习（Pre-registered Learning）

预注册概念最早出现在科研领域，指在进行实验前先公开假设和判断标准，实验结果出来后，问题的预定义不能修改，事前就将问题假设冻结，实验完成后进行对比复盘，形成对比记录，并将每次实验过程产生的经验保存下来，用于调整下一次实验动作。

这与我们在 agent 领域希望实现的 Agent 越用越聪明，能够根据任务经验自我进化，能够以更少步骤更快正确地完成任务的目标是一致的。

主楼