說回到昨天的問題? 如果模型持續變強，那Harness會不會被吃掉?
看了幾篇文章與前人的解讀(說前人會不會有點誇張)，基本上共識是"方向認同，節奏務實"

這是甚麼概念?我們從歷史的資料以及目前的經驗，我們需要知道模型"會"持續吃掉Harness，工具調用、長期規畫都曾靠外部編排，如今已是模型的原生能力;但在目前的進展來看，"吃"的過程比想像中還慢：訓練以月計，模型也無法一次內化真實業務中所有的約束和偏好，所以，模型此刻的邊界能力，就是Harness的價值所在。

因此，Harness Engineering不是對苦澀教訓的抵抗，而是這一教訓在工程時間尺度上的實現："模型還做不穩的，Harness先補上;模型每內化一層，Harness就卸下一層，轉而兜底新的能力前沿。(這一部分好像有些抽象，但我覺得是值得思考的問題)

Agent的學習機制：從上下文到持久更新
前面討論了模型可以透過強化學習將工具調用策略內化為原生能力。但Agent的行為改變不只是發生在訓練階段。按照更新發生的位置和持續時間，可以理解為3條互補路徑：任務內的上下文適應、跨任務的外部產物更新，以及訓練週期中的參數更新。

上下文適應發生在當前的任務中。示例、狀態和檢索結果進入上下文中，模型可以立即調整行為，卻不會因此改變下一次對話的持久狀態。它的優勢是快速、低成本，侷限是受上下文窗口與訊息組織方式約束。

要讓變化跨越任務保留下來，可以更新外部產物：把事實和經驗整理為知識文檔，把可語言化的的策略寫進Prompt或是Skill，把確定性流程與約束寫成程序與Harness。這些產物可審計、可修訂，執行時仍須通過上下文或工具接口被Agent使用。

當目標是醫療影像理解、自然語言風格或隱式決策策略等高維能力，外部規則難以完整表達，就需要通過"後訓練"更新模型參數。參數更新的部署成本較高(需要時間)，卻能形成自然、廣泛的泛化能力。

好了，這兩天講完模型的基本概念，希望大家有一些自己的建構。

Deepseek Harness，"everything is a plugin"，這個平台支持配置任何模型(雖然大多數開源的也是中國的)，蠻強的。只要有nodejs就可以npx
GitHub: https://github.com/deepseek-ai/deepseek-harness