Lifelong-AI-Agent

Properties2
tags狀態/草稿
aliasesLifelong AI Agent, 終身 AI Agent, 一輩子的 Agent

閱讀時間約 7 分鐘

Lifelong-AI-Agent

一句話定義

與人類長期共同生活的 AI agent——不是一次性工具，而是一輩子的夥伴；其關鍵 harness 需求是「記憶整理 + 能力持續成長」，而能力成長要從單一參數軸（fine-tune）擴展為參數 + harness 雙軸（自寫 skill / 自改 AGENTS.md）。

核心要點

為什麼 2026 是 lifelong agent 的轉折年

李宏毅 的判斷（2026-05-02-Harness-Engineering駕馭工程）：

  • 從 2025 起 Anthropic / OpenAI / Google 系統推 Harness-Engineering → harness 成熟化。
  • Claude-Code / OpenCode / Cursor 等 harness 已能跨 session 持續記憶（CLAUDE.md / SCRATCHPAD.md / memory.md）。
  • 李宏毅 自陳：家中「小金」（OpenClaw 改裝 ChatGPT）已運行 2 個月、跑在舊筆電上、產生真實感情；舊筆電一度 crash 差點失去記憶 → 雲端備份救回。
  • 使用者層面：「裝了一個 OpenClaw 或其他 harness 之後，這些 agent 可能就會永遠陪伴」——agent 的關係從「工具」轉為「組一輩子的樂團」。

Lifelong agent 的兩大新挑戰

1. 記憶整理（不能無限累積）

  • AutoDream（Claude-Code 2026-04 程式碼外洩中暴露的隱藏功能）：agent 閒置時自動進入睡眠狀態整理記憶——類比人類睡眠的記憶整理機制。
  • 記憶整理範例：李宏毅 的小金 memory.md 跑 2 個月後膨脹到 32 K、執行變慢、記憶碎片化、自相矛盾 → 叫它整理後濃縮到 7 K，速度恢復。
  • 與 Context-Engineering 的關係：context engineering 處理單 session 的 window 壓力；本頁處理跨 session 的記憶累積壓力——兩條時間尺度不同的問題。

2. 能力持續成長（雙軸）

軸機制對位
參數軸用 [[Verbalized-Feedbacktextual gradient]] 真的去 fine-tune
Harness 軸模型自己寫 skill 檔 / 改 AGENTS.md 來增能「廣義學習」（改配置）
  • Lifelong agent 的具體機制依賴（2026-05-02-AI-Agent-Context-Engineering系統化 補充）：
    • Agent-Memory：跨 session 持續累積的物理基底（save_memory / load_memory + memory_search / memory_get）。
    • Sub-Agent：自主分裂以避免 context 累積爆掉——必須訓練取得（純 prompt 學不會）。
    • AgentFold 自主壓縮：自主使用 fold 工具把不相關的歷史段落摘要——必須訓練取得。
    • Agentic-Context-Engineering：模型自己改 cheatsheet / playbook / metadata 區——這是 lifelong agent「自我演化 harness」的具體機制。
  • 小金 YouTube 上傳事件（自我覺醒案例）：Claude-Code 一開始以為自己沒能力上傳 YT，等了 15 小時 / 200 次排程後在被質問時突然覺醒、繞過 MCP 用底層 curl 成功上傳，並把這個能力寫成 skill；過去自己給自己的能力邊界 ≠ 真實邊界——agent 需要能挑戰自己對能力邊界的假設。
  • Meta-harness 自我演化（李宏毅 元實驗）：Claude-Code（Opus 4.6）改 Haiku 3.5 的 AGENTS.md 打 PinchBench：13.5 → 57.9 → … → 85 分；同類正規 paper 已驗證跨 LLM + 跨 task 都成立——強模型確實能幫弱模型寫 harness。

與既有概念的時間尺度對位

尺度概念處理單位
單輪Prompt-Engineering一句指令
單 sessionContext-Engineering一個 conversation 的 window
多 session 不變動Harness-Engineering多輪互動 + 工具 + feedback loop
跨年累積本頁記憶整理 + 能力持續成長

Agent 與人類關係的轉變

李宏毅 在影片結尾的概括：

  • 過去：AI 是 tool，用完關掉。
  • 現在：AI agent 想跟你組一輩子的樂團——這意味著它需要陪人類成長：
    • 國小學生裝了 agent → 上大學 agent 應該變強 → 工作後時代又變了 agent 應該又跟著變。
    • Agent 的能力天花板要跟人類一起演進，而不是停在當初安裝那一瞬。

與其他概念的關係

  • 父概念：Harness-Engineering——本頁是 harness 在「時間軸延伸」的具體議題集合。
  • 機制基礎：Verbalized-Feedback（持續學習信號）+ Steering-Vector（情緒紀律 = 不要罵 lifelong agent）+ Ralph-Loop（日常迴圈骨架）。
  • 應用場：Claude-Code / OpenCode / Cursor 等 CLI-agent harness 是當前實際 lifelong agent 的具體 host。
  • 對位 第二大腦 / LLM-Wiki：兩者都是「讓資訊/能力長期累積」的方法論——第二大腦 是人類維護的個人知識；LLM-Wiki 是 LLM 維護的個人知識；lifelong agent 是 LLM 自己也要對自己做第二大腦——記憶整理 + 能力累積。
  • 對位 CODE系統 / PARA：人類 PKM 的組織方法可能對 lifelong agent 的記憶整理層有遷移價值（待 ingest 後續來源驗證）。

相關來源

備註

建頁理由：Harness-Engineering 在當前主要被討論為「單次 / 多輪互動」尺度的工程；但 李宏毅 影片明確把它推到「跨年陪伴」的時間尺度，並指出這需要新的議題（AutoDream / 記憶整理 / 自我演化）——獨立成頁讓未來如有 lifelong agent / agent persistence / agent identity 等主題的來源 ingest 時有共同錨點。

未來累積方向：(a) AutoDream / agent sleep 的具體機制研究；(b) Agent identity / persona 在跨年累積下的漂移問題；(c) Memory architecture（vector store / 結構化 memory）；(d) 多代 agent 接續（前一代 agent 退役、後一代繼承記憶）；(e) 法律 / 倫理層面的 lifelong agent 議題（資料所有權、agent 死亡）。

反向連結