论文标题：Externalization in LLM Agents: A Unified Review of Memory, Skills, Protocols and Harness Engineering
作者：周宸宇（第一作者，上海交通大学博士生）及 20 位合著者
作者单位：上海交通大学、中山大学、上海创智学院、卡内基梅隆大学、OPPO
通讯作者：OPPO 研究院王俊博士，上海交通大学刘卫文、林江浩、张伟楠教授
发布：arXiv:2604.08224（2026 年 4 月 9 日提交）
你在实践中有没有这样的体验：换了最新的基座模型，Agent 的表现却没有质的飞跃；反过来，给同一个模型加上持久化记忆、可复用的技能文档和标准化的工具接口，效果反而立竿见影？
这种“模型之外的东西比模型本身更重要”的体感，从事 Agent 工程的人多半不会陌生。但这一现象背后，有没有一个统一的理论解释框架？上海交通大学联合多个机构共同发布的这一篇 54 页综述，用“外部化”（Externalization）——一个源自认知科学的理论透镜——给出了系统性回答。
这篇论文首次将记忆、技能、协议和 Harness 工程纳入同一个分析框架，提出 Agent 的实际进步正越来越取决于模型之外的外部认知基础设施，而非模型自身的参数规模与推理能力的简单提升。它将一个长期被感知却无人系统论述的工程趋势，上升到了理论层面。本文将逐层拆解这篇论文的核心思想、历史脉络、四大支柱及其对 Agent 开发的深远影响。
1. 核心洞见：模型之外，方见未来
1.1 三大结构性错配：问题出在哪？
论文尖锐地指出，当前 Agent 的发展面临三大结构性困境[reference:0]：
| 错配类型 | 核心问题 |
|---|---|
| 连续性错配 | 上下文窗口有限且短暂，模型无法跨会话稳定保持状态。每次会话都是全新开始，之前积累的信息需要从头重建 |
| 一致性错配 | 复杂的多步骤流程往往被重新推导，而不是被稳定执行。同样的任务，不同时机调用，执行路径和质量难以保证一致 |
| 协调性错配 | 与工具、服务和其他 Agent 的交互依赖临时约定，脆弱且不可移植。接口一旦变动，整条调用链路可能同步失效 |
这些错配的核心矛盾在于：模型本身的设计目标（推理能力）与 Agent 实际部署的需求（可靠性、持续性、协作性）之间存在根本性的维度不匹配。
1.2 认知工件：外部化的理论根基
论文援引认知科学家 Don Norman 的“认知工件”（Cognitive Artifacts）理论来统摄这一范式转变[reference:1]。Norman 的核心洞见是：外部辅助工具并非简单地“放大”了人类的内在能力，而是通过表征转换重构了任务本身的形式。
| 认知工件 | 所改变的任务 | 转换的本质 |
|---|---|---|
| 购物清单 | 将困难的“回忆”问题转化为简单的“识别”问题 | 记忆外化 |
| 地图 | 将隐性的空间关系转化为可见的结构 | 空间认知外化 |
| 计算器 | 将符号运算从神经劳动转移至可编程机器 | 计算外化 |
同样的逻辑正在 LLM Agent 领域发生。外部基础设施（记忆、技能、协议、Harness）不只是在“帮助”模型——它们在改变 Agent 所要解决的任务本身，让模型可以用它最擅长的方式（模式识别、语言生成、上下文演绎）来更可靠地解决问题。
1.3 核心主张
“Agent 基础设施之所以关键，不在于它增加了辅助组件，而在于它将原本难以由模型直接应对的复杂认知负担，转化为模型更擅长、更可靠处理的形式。”[reference:2]
这一观点将 Agent 工程从“工具堆砌”的实践上升到“认知架构重构”的理论高度，赋予了记忆、技能、协议等组件以明确的认知功能定位，而非仅仅是技术模块标签[reference:3]。
2. 历史演进：能力载体的三次外移
论文提炼出了一条清晰的演进主线：能力载体从模型内部逐步向外迁移，形成了“Weights → Context → Harness” 的三阶段演进框架[reference:4]。
2.1 阶段一：权重层（2022–2023）——参数即知识
早期 LLM 时代，能力几乎等同于模型参数，扩展定律（Scaling Law）主导着行业叙事。在这一阶段：
- 优势：奠定了跨领域语言理解的基础能力
- 根本局限：知识难以选择性更新，行为难以审计追溯，个性化几乎无从实现
- 遗留问题：模型训练完成后，知识冻结，无法适应动态变化的环境和个性化需求
2.2 阶段二：上下文层（2023–2024）——知识从参数中释放
Prompt Engineering、Chain-of-Thought（CoT）、RAG 等技术兴起。模型保持冻结，提示模板快速迭代，知识开始从参数中“释放”到上下文里。
- 代表性案例：购物清单的逻辑在这里重现——困难的“回忆”问题被部分转化为“识别”问题（RAG 将精确记忆转化为检索匹配）
- 局限：状态短暂，跨步骤协调始终脆弱，每次会话都需要重建上下文，无法积累跨会话的长期经验
2.3 阶段三：Harness 层（2024–至今）——向外寻找新载体
持续记忆、工具使用、多 Agent 协作等机制成为新的战场。外部基础设施不仅扩展了模型的能力边界，更改变了模型解决任务的方式。持久化记忆将时间维度的状态管理外置，可复用技能将程序性专业知识固化，标准化协议将协作交互结构外化，而 Harness 则成为统摄这一切的统一执行层[reference:5]。
演进的核心逻辑：从关注“模型知道什么”到“模型可以调用什么”，最终到“如何让模型可靠地完成什么”。Agent 的每一次迭代，本质上是将某类认知负担从模型参数中卸载到外部基础设施中。
3. 四大支柱：外部化能力的不同维度
论文将 Agent 外部化的核心能力归纳为四个相互独立又紧密耦合的支柱。
3.1 记忆（Memory）：时间维度的认知卸载
外部化的是什么：状态（state）在时间跨度上的维持能力。
记忆是 Agent 最核心的外部化组件之一。LLM 本身是无状态的——它的每一次调用都是全新的开始，对历史一无所知。记忆系统将这种时间维度的状态维持从模型参数中卸载出去。
| 记忆类型 | 功能描述 | 典型实现 |
|---|---|---|
| 工作记忆（Working Memory） | 当前会话内的短期状态维持 | 上下文窗口、对话历史缓存 |
| 事实性记忆（Factual Memory） | 跨会话的事实知识存储 | 向量数据库、知识图谱 |
| 经验性记忆（Experiential Memory） | 历史交互经验和决策轨迹的存储与召回 | 基于 RAG 的经验池、思维轨迹缓存 |
论文将记忆系统的发展路径总结为“Storage → Reflection → Experience”三阶段演进：从被动存储轨迹（Storage），到对轨迹进行反思提炼（Reflection），再到将经验抽象为可复用的模式（Experience）[reference:6]。外部化记忆的力量在于：它把一个精确回忆的问题，转换成了一个检索匹配的问题——后者的难度远低于前者。
3.2 技能（Skills）：程序性知识的外部化
外部化的是什么：程序性专业知识——即“如何做”的能力。
Agent 需要执行各类确定性操作：调用 API、运行代码、查询数据库、操作软件等。将这些操作的执行逻辑固化在外部技能模块中，而非让模型每次从头推导步骤，是外部化的另一关键维度。
- 外部化的本质：将“过程生成”问题转化为“工具调用”问题。模型的任务不再是从零推导如何完成一项操作，而是学会识别“当前应该调用哪个技能”
- 技能的设计趋势：从传统的编程语言定义的工具接口，正逐步向自然语言技能描述迁移。例如，用 Markdown 文档定义技能而非代码，是因为 LLM 对自然语言的理解能力远强于对结构化数据的解析能力[reference:7]
- 关键演化方向：技能的可组合性与可发现性——大型 Agent 系统需要让模型能够动态发现和组合已有技能，而非依赖硬编码的调用链路
3.3 协议（Protocols）：交互结构的外部化
外部化的是什么：Agent 之间、Agent 与工具之间的交互规则与通信结构。
随着 Agent 从单体走向多体协作，如何让异质的 Agent（来自不同团队、不同框架、不同供应商）能够可靠地协同工作，成为一个关键问题。协议的作用在于：将协作的结构从 Agent 的内部逻辑中抽取出来，形成标准化的交互规范[reference:8]。
| 协议 | 功能定位 | 层级 |
|---|---|---|
| MCP（Model Context Protocol） | 能力增强层：处理工具集成、上下文获取、数据接入 | 通信层 / 语法层 |
| ACP（Agent Communication Protocol） | 通信协同层：提供 Agent-to-Agent（A2A）的标准化交互框架 | 语法层 / 语义层 |
| A2A（Agent-to-Agent） | 跨平台异构 Agent 的通信与编排 | 语法层 |
MCP 专注工具与数据接入，ACP/A2A 则进一步将协作推向跨团队、跨平台的联邦式编排[reference:9]。协议的外部化价值在于：它将“如何与其他 Agent 沟通”的问题，从一个异构、临时、脆弱的“定制对接”问题，转化为一个结构化的标准交互问题——协议约束着交互的形态，也释放了跨 Agent 协作的可能。
3.4 Harness Engineering：四大支柱的统一整合层
外部化的是什么：Agent 系统的治理与编排能力——记忆、技能、协议的协同运行与受控执行。
Harness（运行框架）是论文中最具原创性的概念。它不是一个具体的工具或库，而是一个统摄性概念：将记忆、技能、协议三大外部化模块整合到统一、受控的执行环境中。
| Harness 核心职责 | 说明 |
|---|---|
| 编排（Orchestration） | 管理多 Agent 的执行流程、任务分解、结果汇聚 |
| 监控（Monitoring） | 记录执行轨迹、捕获错误、提供可观测性 |
| 错误隔离（Error Isolation） | 当一个 Agent 或模块失败时，防止级联故障扩散 |
| 上下文注入（Context Injection） | 将记忆中的历史信息、技能定义、协议约束注入模型的推理过程 |
Harness 的兴起揭示了 Agent 工程的一个深层趋势：对于复杂任务，模型的价值越来越不在于它的“大脑容量”，而在于它如何被编排和治理。典型的 Harness 实现包括 LangGraph（基于图的编排引擎）、AutoGen（微软的多 Agent 协作框架）、CrewAI（轻量级协作编排）等[reference:10]。
进一步地，有研究已尝试在范畴论的框架下形式化 Harness 的设计，将记忆映射为余代数状态，将技能映射为算畴组合对象，将协议映射为语法层面的连接，试图为 Harness 工程寻找一个严格的形式理论体系[reference:11]。
4. 关键权衡：参数化能力 vs 外部化能力
论文不仅阐释了外部化的优势，也清醒地探讨了其代价。
4.1 何时外化？何时内化？
| 方向 | 优势 | 风险 |
|---|---|---|
| 更多参数化（能力固化在模型权重中） | 推理速度快、无需额外组件、泛化性好 | 更新成本高、行为难以审计、难以个性化 |
| 更多外部化（能力外置于基础设施中） | 可插拔更新、行为可追溯、易于定制 | 增加系统复杂度、引入延迟、可能损害泛化能力 |
4.2 过度外部化的风险
- 系统脆弱性：外部化越多，组件间依赖越多，单点故障的风险也随之上升
- 可迁移性下降：过度依赖特定外部基础设施的 Agent，难以在不同的部署环境中复用
- “智能外包”陷阱：当所有复杂决策都被外部化后，模型的泛化推理能力反而可能退化，变成一个只会调用工具的“空壳”
- 泛化能力受损：过度依赖特定领域的外部技能库，模型在面对新领域的“零样本”场景时可能表现不佳
论文指出，“哪种能力应该被外部化”是未来 Agent 架构设计的核心问题，需要在更新频率、稳定性、通用性和个性化之间做系统的平衡[reference:12]。
5. 未来方向
5.1 自演化 Harness
当前的 Harness 是静态配置的。未来，Harness 本身可能具备自我演化的能力——它可以根据执行反馈自动调整编排策略、动态分配任务、甚至重构自身的记忆和技能库[reference:13]。
5.2 共享 Agent 基础设施
随着 Agent 生态的成熟，可能会出现跨组织共享的公共 Agent 基础设施——通用的记忆服务、技能市场、协议注册中心。这些公共基础设施将降低构建高质量 Agent 的门槛，加速 Agentic Web 的形成。
5.3 外部化程度的量化与评估
论文指出了当前领域的空白：我们缺乏衡量“一个 Agent 有多外部化”的量化指标。建立外部化程度的评估体系，是推动该领域科学化的重要步骤[reference:14]。
5.4 模型与基础设施的联合训练
未来的 Agent 可能不再是“模型训练好了再挂载外部组件”的简单拼接，而是将模型训练与基础设施设计视为一个联合优化问题——在训练过程中就让模型学习如何最佳地使用外部记忆、技能和协议[reference:15]。
6. 总结
Externalization in LLM Agents 的核心贡献可以凝练为[reference:16][reference:17]：
| 层面 | 具体贡献 |
|---|---|
| 理论框架 | 首次以“外部化”为统一理论透镜，将 Agent 的演进解释为一个认知负担向模型外部系统性转移的过程 |
| 历史脉络 | 提炼出“Weights → Context → Harness”的演进主线，清晰界定了 Agent 架构发展的三个阶段 |
| 概念建模 | 将记忆、技能、协议和 Harness界定为既独立又耦合的四种外部化形式，赋予了它们超越技术模块的认知功能定位 |
| 权衡分析 | 系统对比参数化能力vs外部化能力，指出了外部化的边界和风险 |
| 未来前瞻 | 提出自演化 Harness、共享基础设施、联合训练范式等前沿方向 |
这篇论文最深刻的洞见，或许可以这样概括：Agent 的进步，正从“更强的模型”转向“更好的外部认知基础设施”。
对于任何从事 Agent 工程化的人员来说，这篇论文不仅是一次理论的梳理，更是一面镜子——它让那些在实践中的“肌肉记忆”有了理论根基，也让 Agent 开发的下一阶段方向变得清晰可见。
