Letta 在 2026 年 7 月發布了一個叫 Mods 的功能，讓 AI agent 可以修改自己執行的環境。我看到標題的第一個念頭不是「這好新」，是「這我已經手工做了一年」。
先說清楚，我沒有用過 Letta，這篇不是實測 Letta。這是我把它的概念，跟我自己在 Claude Code 上手工搭的分層記憶系統對照之後，整理出來的第一手心得。Letta 的部分是研究，我的系統是真的每天在跑。
先解釋一個詞：harness
harness 指的是 AI agent 執行的那個骨架，或者說環境。它有哪些工具、指令怎麼觸發、資訊怎麼組裝後餵給模型，這一整套都是 harness。
以我來說，Claude Code 就是我的 harness。
一個 agent 表現好不好，不是只看模型多聰明，也看這個 harness 怎麼設計。同一個模型，放在設計好的 harness 裡，跟放在陽春的 harness 裡，差很多。
Letta Mods 做了什麼
Letta 這次發布的 Mods，是讓 agent 自己改這個 harness。加工具、加指令、改資訊怎麼餵給模型，agent 自己動手改自己跑的環境。
他們用了一個很精準的說法：harness-as-memory。
意思是，agent 不只學「它知道什麼」，還學「它在什麼環境裡跑」。這兩個都能進化。
補充一個背景：Letta 就是當年做 MemGPT 的那群人，出自 UC Berkeley，做 AI 記憶是他們的老本行。所以這不是隨便一家公司喊的概念。
老實說，這是突破還是包裝
我研究東西的習慣是把公司自己講的跟事實分開，尤其是產品發布文，最容易把小改良講成革命。
Letta 這篇，核心概念不是新的，而且他們自己大方承認。文章裡直接寫 Mods 的靈感來自 Pi 的擴充系統，還引用了 Meta-Harness 的研究。Claude Code 本來也早就有 hooks、skills、MCP 這些能改 harness 的東西。
真正比較新的只有兩點。一是 agent-first，讓 agent 自己寫這些擴充，而不是工程師寫。二是 mod learning，agent 針對一個目標行為，自動生成一個測試環境，再把擴充優化到行為穩定為止。
所以我的判斷是：方向是真的，大公司都在往這走，但這篇是把一個已經存在的研究方向，包成 Letta 的功能。值得看的是那套自動優化的機制，不是「agent 能改自己」這個標題。
重點：這就是我手工在做的事
Letta 講的兩條軸，我在 Claude Code 上都有。
第一條，context 學習。我有一套分層的指令跟記憶系統，從最上層每次都載入的硬規則，到按需才叫出來的工作流程，到我自己邊做邊記下來的學習筆記。這些就是 Letta 講的 learned context，agent 讀它、遵守它、用它。
我甚至今天還在重構這套東西，把幾份肥大的規則檔壓縮成精簡的速記加完整版兩層，規則本體一條都沒丟，但每次載入的成本降下來了。這就是在優化 context。
第二條，harness 學習。每次我調整系統自動執行的機制，那就是在改 harness。
還有一個巧合，Letta 文章裡舉的頭號範例，是教 agent「用維基百科式的雙括號 path 格式標註記憶來源」。而我的記憶系統，早就在用雙括號連結不同的記憶檔。看到那個範例的時候我笑了，因為那是我每天在用的寫法。
但這篇也照出我系統的一個失衡
這才是研究這篇文章最有價值的地方，它讓我看到自己的盲點。
我盤了一下：我的系統幾乎全部是 context，harness 那層只有一個自動同步的機制。也就是說，我把幾乎所有的規矩都寫成「文字規則」，靠 agent 每次主動想起來去遵守。
這有一個致命的失效模式。
我踩過一個很具體的坑：有一條規則我寫得清清楚楚，甚至寫了不只一次，但實際執行時還是反覆漏掉。因為它是 context，本質上是「靠記憶」。而記憶會漏。
Letta 這篇點醒我的是：這種反覆失效的規則，光把規則寫得更詳細，沒有用。那是在同一層裡打轉。
真正的解法是換層，把它從 context 搬到 harness。做成一個系統會自動執行的機制，在 Claude Code 就是 hook。這樣它不靠我想起來，該發生的時候就會發生。
一句話總結：反覆失效的規則，不要再加字，要換層。
給也在搞這塊的人
如果你也在調教自己的 AI 工具，這個 context 對 harness 的分法，是一把很好用的尺。
拿它盤你做過的每一個改進：這是改它知道什麼，還是改它執行的環境。
然後看你反覆失效的問題，卡在哪一層。如果你一直在寫規則、改提示詞，問題卻一直回來，那你很可能是在 context 層修一個 harness 層的病。
換層，比加字有效。