边做边学

开启了学习的 agent 不会在任务开始后停止学习。工作时，模型可以为它的 library 提出一个条目（一条笔记、一条记忆、一个带测试的 skill、一条反应规则），每个 episode 结束后，一次简短的反思还会再提出一个。这就是被动学习。它使用与主动运行相同的 library 和相同的证据规则；只是触发方式不同。

开启

[overrides.agent.runtime.library]
path = "$HARNESS_HOME/libraries/my-app"   # or a path relative to this file
learn = "on"            # "off" (the default): read one frozen version, learn nothing
trigger = "passive"     # "active": a run whose goal is to learn
evidence = "test"       # "validated": only held-out runs admit; run entries wait
load = "proposed"       # the lowest evidence an entry needs to be loaded
replay = true           # test the provisional entries again when each run starts
reflect = true          # reflection after each episode proposes one entry

core task 用 --library 绑定学习库，用 --learn-while-working 明确开启写入。冻结运行只读取固定快照；用 harness library show PATH 检查条目。

条目如何进入 library

提出。 模型在程序里提出一个条目，代码类条目要附带测试：

library.propose("note", "save_shortcut", "Ctrl+S saves without a dialog in this editor.")
library.propose("skill", "open_inventory", code, test)

验证。 可执行候选的源码、测试、附件和依赖固定为一个版本。可信宿主试跑通过后标记为 provisional。没有兼容的试跑环境时，候选保留在待验证状态。什么算验证由宿主决定（见代码如何被接纳）。
启用。 内核在程序边界加载通过准入的版本。运行记录实际启用的版本。同名新版本验证失败或在发布前取消，当前版本继续使用。
复测和评估。 后续运行独立复测通过后可标记为 replayed。成对开发评估确认该版本实际启用并带来提升后，才标记为 validated。笔记和记忆保留观察来源，代码的自测结果可供修订时参考。

代码如何被接纳

skill 和反应规则是 agent 自己写的代码，所以由运行它的这台电脑决定信任到什么程度。设置里的 learning.admission 有三档；环境变量 HARNESS_LEARNING_ADMISSION 优先于它。这是宿主的设置：运行的配置、模型和 worker 都不能把它调高。

档位	什么能接纳一个提出的 skill 或规则
`fixture`（默认）	只有这台电脑为该条目提供的 fixture。没有 fixture 时提案一直等待。
`own_test`	环境的 worker 报告 `physical: false` 时，宿主还会运行条目自带的测试：在两个程序之间，针对提出的那个精确版本，在该版本进入程序的命名空间之前。通过则以 `provisional` 接纳并加载；失败则把提案标记为 `failed`。该条目有 fixture 时改用 fixture。其他环境一律按 `fixture` 处理。
`off`	不接纳也不加载任何学到的代码。笔记和记忆照常保留。

靠自带测试接纳的条目是自测的，不是 validated。测试和代码出自同一个模型，它只说明代码做到了作者检查的那件事。harness library show、/library 和 app 在每个代码条目旁显示 provisional (own test) 或 provisional (fixture)，它的证明里也记录了方法。往上升的途径不变：独立复测得到 replayed，成对开发评估得到 validated。

自测条目在使用中持续失败会退回待验证：它的这个版本记录满 3 次使用、且成功不足四分之一时，它不再被加载，放回 candidates/ 并标为 proposed (demoted)，这个版本的自带测试不会再跑。重写它就是一个新提案。由 fixture 接纳的条目和已经 validated 的条目不会这样退回，冻结的 library 也不会因使用记录而改变。

写成闭环的 skill

agent 编写的 skill 通常是一个闭环：确认目标、执行、检查世界是否发生了变化、重试或给出原因。agent 通过继承 ClosedLoop 来写：

class open_inventory(ClosedLoop):
    """Open the inventory."""
    tries = 2

    def confirm(self):
        return "open already" if inventory_open() else True

    def do(self):
        press("e")

    def check(self):
        return True if inventory_open() else "no inventory after E"

调用 open_inventory() 返回一个结果，包含 ok、reason、tries 和 seconds。每次尝试结束对模型来说都是新情况，模型可以在 skill 运行期间重新查看。完整接口见编写 skill。

记忆

一套接口同时管这一局看到了什么、在哪里（工作记忆），和以前的运行留下的东西（library）：

remember("window", "the totals are in the last column", where="Quarterly report.xlsx")
remember("tree", where=(12, 64, -30))              # 位置：在附近再看到，就是同一棵树
remember("door", "the code is 4711", name="side_door", keep=True)   # 同时成为 library 条目
recall("totals column")                            # 这一局的记录和 library 的条目
recall(kind="tree", near=(0, 64, 0))               # 最近的在前

每个条目字段相同：scope（run 或 library）、kind、name、text、where、evidence、source、version。这一局的条目证据为 seen；library 条目是它的证据档位。这一局的记忆和它的子 agent 共用，每次改动都是 trace 里的一条 world 记录，recall() 找到了什么也有记录；每个程序结束后模型会在 “Memory:” 下先看到没有位置的笔记，再看到最近的地点。library 的记忆条目是这次运行开始时的那些，加上运行中收下的。用 near 按距离排序，用 radius 只查有位置的条目。不传这两个参数时，环境是否提供当前位置不会改变搜索范围。keep=True 和其他条目一样经过学习器，所以只在 library 学习时有效。harness library show RUN、/library、app 里对话菜单的记忆和 conversation.memory() 把一次运行的记忆和它开始时的 library 条目一起显示。旧 trace 可能只有清单里的条目名和版本。

使用记录

library 索引里每个条目的那一行带着它的证据：测试运行和使用记录。每结束一个 episode，这次运行自己的程序里条目闭环的每个结果（怎样结束的，失败时为什么；不含它的测试和重测）都算作这个条目的一次使用；harness library show 在测试旁边列出使用次数和成功率。使用记录是证据，不是条目，所以不改变 library 的版本。uses = "learn"（默认）在学习的运行中计数，"on" 在冻结的 library 上也计数（练习），"off" 不计。

为评测冻结

只有 agent 在运行期间没有变化，结果才可比较。评测时让 learn 保持关闭（默认）：运行只读取 library 的一个冻结版本，什么也不学。如果 library 在配置加载之后发生了变化，运行会拒绝启动 episode。

如果只想保留有帮助的条目，设置 evidence = "validated"：运行中学到的条目作为候选等待，只有当 library 加上这个条目后在留出任务上的得分比没有它时更高，它才会被接纳。

磁盘上的结构

<library>/
├── notes/*.md  memory/*.md  skills/*.py  reactive/*.py
├── tests/<name>.py          a code entry's test
├── skills/<name>.files/     a skill's attachments, such as a small model it trained
├── candidates/              entries waiting: for verification, for held-out validation, or demoted
└── index.json               evidence, origin, tests, uses and history of every entry

library 就是一个普通文件夹：复制它，就能在另一台电脑上复用 agent 学到的东西；也可以让多个实验的 path 指向同一个 library。