本文探讨了AI Agent开发中开放Harness与记忆所有权的重要性。作者引用Harrison Chase的观点——'不拥有Harness就不拥有记忆'，并区分了Memory（从上下文窗口记录的事实，如用户偏好、仓库知识）和Intelligence（利用这些事实让会话更智能的机制）。文章详细介绍了Mem0的方案：通过custom_instructions和infer=False控制记忆提取，用语义+BM25+实体搜索进行检索，并借助Dream实现记忆合并、替代与综合。作者主张将记忆层置于Harness之外，存储于SQL、向量数据库和实体存储中，从而实现跨Harness的记忆与智能的可移植性，即使前沿实验室的循环保持封闭。
文章探讨如何在不训练模型的前提下，让编码智能体在后续任务中持续变好。作者将编码智能体拆解为“冻结模型 + harness 程序”，并以 Pi 和 Hermes 为例说明通用 harness 的循环结构：组装提示、调用工具、追加结果、压缩上下文。核心观点是，真正带来“自进化”的并非内层循环本身，而是引入第二个写入者——在回合结束后或任务进行中，由额外代理将经验写入 MEMORY.md、SKILL.md 或四类存储，使下一个上下文窗口能加载这些持久化知识。Hermes 通过 fork 代理定期写记忆与技能，Prime Agent 则用 /refine 从轨迹中做最小可回滚编辑。两者都保留不可变基础提示，只改变下一窗口内容。
本文探讨了强化学习环境中记忆系统的设计问题。各实验室通过可验证奖励（如测试通过与否）在沙盒环境中训练编码智能体。单个任务往往涉及数百次工具调用，而模型只能看到上下文窗口内的内容，harness 负责决定哪些历史信息进入窗口——这就是记忆系统。文章介绍了 AgeMem、CompactionRL 等研究如何将记忆管理（压缩、检索、写入）纳入策略本身进行训练，并用任务奖励进行评分。Cursor 认为生产环境的 harness 就是训练环境，在数十万并发沙盒中训练 Composer 模型。核心观点是：沙盒保持完整状态，但策略只看到 harness 构建的观察窗口，记忆即跨越这一边界的信息。
