外部化 LLM 智能体 · 深度研究
> 深度解读 arXiv:2604.08224《Externalization in LLM Agents》· 3 路调研 + 原文精读整合 > 论文：Externalization in LLM Agents: A Unified Review of Memory, Skills, Protocols and Harness Engineering > 作者：周宸宇等 21 人（上海交大 / 中山大学 / 上海创智学院 / CMU / OPPO），2026-04-09 提交，54 页技术报告
---
一、引子：当"大脑"不再长大，智能却仍在飞跃
换更强的基座模型，Agent 表现却未必有质的飞跃；反过来，给同一个模型接上持久化记忆、可复用技能、标准化工具接口，效果立竿见影。做过 Agent 工程的，对这种"模型之外的东西比模型本身更重要"的体感多半不陌生。
这篇由上海交大领衔、联合 CMU 与 OPPO 的 54 页综述，给了这种现象一个统一的解释框架——外部化（Externalization）。它借用认知科学家唐纳德·诺曼（Donald Norman）的"认知制品（cognitive artifacts）"之说，点破一个反直觉的真相：外部工具从不是给大脑"扩容"，而是重塑了任务本身。
诺曼的经典例子：购物清单不扩展你的生物记忆力，它把一个困难的"回忆"问题，变成了一个简单的"对照识别"问题；地图不让你"更会认路"，它把隐性的空间关系变成可见的结构。LLM 智能体的外部化，走的是同一条路——把"回忆"变"识别"，把"即兴生成"变"结构化组合"，把"临时协调"变"契约式交互"。
---
二、核心论点：外部化是 Agent 设计的组织原则
论文的中心命题（central thesis）：
> 外部化——把认知负担从模型的内部计算，逐步迁移到持久、可检视、可复用的外部结构——是统一近期记忆、技能、协议与 harness 工程进展的"过渡逻辑"。
作者强调，这不只是工程便利，而是关乎"可靠智能体能力从何而来"：
> 可靠智能体之能，非仅来自更大的模型，而来自对任务需求之系统重构，使内部能力与外部基础设施共同覆盖所需之全部胜任力。
换言之，能力的来源正在外移。论文用一张总览图，把"人类文明认知外化史"与"LLM 智能体外化路径"并置，暗含一个递归主张：智能体正是沿"状态 / 程序性专长 / 交互结构"这三个表征维度，重演了人类文明的外部化弧线。
---
三、演进三阶：Weights → Context → Harness
论文提炼出能力载体向外迁移的三阶段（分层而非互斥）：
| 阶段 | 时间窗 | 能力载体 | 核心机制 | 根本局限 |
|---|---|---|---|---|
| Weights（权重层） | 2022–23 | 模型参数 | 预训练把知识压进权重，Scaling Law 主导叙事 | 单点事实更新需重训/知识编辑且有副作用；难审计（知识散落数十亿参数）；难个性化；难组合与治理 |
| Context（上下文层） | 2023–24 | 提示/上下文窗口 | Prompt、CoT、RAG 把知识"释放"到运行时 | 窗口有限、过载嘈杂；"lost in the middle"；每次会话重新开始（部分失忆）；提示组装本身脆弱 |
| Harness（驾驭层） | 2024–至今 | 外部持久基础设施 | 持久记忆、工具注册、协议、沙箱、编排 | 当前最外层；其自身局限在于成本、安全风险与治理负荷 |
---
四、三大外部化维度
4.1 Memory：外部化"跨时间的状态"
核心变换：从回忆到识别（recall → recognition）。论文将外化状态分为四层：
| 层 | 外化什么 | 例 |
|---|---|---|
| Working context（工作上下文） | 当前任务活跃中间态 | 打开的文件、临时变量、部分计划、执行检查点 |
| Episodic experience（情节经验） | 过往运行的记录 | 决策点、工具调用、失败、结果与反思 |
| Semantic knowledge（语义知识） | 跨 episode 的抽象 | 领域事实、通用启发式、项目约定 |
| Personalized memory（个性化记忆） | 特定用户/团队/环境的稳定信息 | 偏好、习惯、反复出现的约束 |
- Monolithic Context（单体上下文）：历史全塞 prompt，易原型、状态随会话消失
- Context with Retrieval Storage（带检索存储）：近期态留上下文、长程轨迹外存按需检索（代表：GraphRAG、ENGRAM、SYNAPSE）
- Hierarchical Memory（分层记忆）：OS 式资源解耦（MemGPT / Letta、MemoryOS：热工作态与冷长尾分离、跨层换页）；语义解耦（Mem0、MemoryBank、MIRIX、MemOS、xMemory：显式"抽取—巩固—遗忘"生命周期）
- Adaptive Memory（自适应记忆）：动态模块 + 反馈策略优化（MemEvolve、MemVerse、MemRL、GAM：作者称"从存储到控制（from storage to control）"的范式转移）
4.2 Skills：外部化"程序性专长"
核心变换：从生成到组合（generation → composition）——智能体从预验证组件中装配行为，而非每步即兴创造。论文将技能获取分为 Authored / Distilled / Discovered / Composed 四类，演进路径：Atomic Execution Primitives → 大规模原语选择 → 封装为可治理的技能工件。代表：
- Voyager（Minecraft 中沉淀可执行代码技能库，按描述检索组合）
- Reflexion（"语言强化"，把失败转为可复用反思文本，存于情节记忆而非权重）
- AWM / Agent Workflow Memory（从成功轨迹归纳可复用 workflow）
- EXTRACT（从离线数据抽取可迁移语义技能，外化机器人程序性专长）
- Anthropic Agent Skills / SKILL.md：把操作程序+决策启发+规范约束封装为可注册、渐进披露、可组合的显式工件
4.3 Protocols：外部化"交互结构"
核心变换：从即兴到结构（ad-hoc → structured）——模糊脆弱的沟通，变成可互操作、可治理的交换。协议分类（论文 §5.2）：Agent-Tool、Agent-Agent、Agent-User、Other；要素含意图捕获、能力发现、会话生命周期、权限与信任边界。代表：
- MCP（Model Context Protocol，Anthropic）：JSON-RPC 标准化 Agent–Tool 发现/调用，强调 human-in-the-loop 与权限边界
- A2A（Agent2Agent，Google）：Agent Card + 任务对象实现跨厂商委派协作，v1.0 用签名 Agent Card 做可验证身份治理
- Function Calling / Tool Use：以结构化 schema 固定"调用语法+生命周期语义"，是上层协议的基础契约层
- AG-UI：类型化执行事件/状态流，使人机交互可观测、可移植
五、Harness 工程：统摄一切的"基座"
论文明确：Harness 不是第四种外部化，而是托管前三者的工程层与运行环境——它提供编排逻辑、约束、可观测性与反馈闭环，使外部化认知在实践中凝聚为受控执行。用原话说，它是"这些外部化形式在其中运行并交互的运行时环境"。
分析维度（论文 §6.2）：Agent Loop、沙箱与执行隔离、人类监督与审批门、可观测性、配置/策略、上下文预算。
落到工程实践，Harness 同时扮演两个看似矛盾、实则互补的角色：
- 油门——认知飞轮：记忆 → 技能 → 协议 → 更好的执行 → 更丰富的记忆，形成正反馈闭环，让系统越用越聪明（论文以 feedback loops / lifecycle feedback 表述这一概念）。
- 刹车——人类审批与安全沙箱：Anthropic Claude Code 用 OS 级 seatbelt/bubblewrap 做隔离、用分类器替代部分人工审批（缓解"审批疲劳"）；OpenAI Operator / CUA 对登录、付款、CAPTCHA 等敏感动作强制用户确认，并有"监控模型"异常即暂停。核心心法是"封顶爆炸半径（blast radius）优先于逐条审批"——环境硬边界（沙箱/最小权限/出站控制）兜底，关键时刻才触发人工确认。
---
六、权衡：参数化能力 vs 外部化能力
外部化非免费午餐。论文（§7.3）列出权衡空间：更新频率/衰减、可复用性/可移植性、可审计性/可治理性、延迟/上下文负担。
中文社区与实践者已点出更尖锐的"过度外化陷阱"：
- 模型退化成"空壳"：只会调工具，零样本泛化受损，系统可迁移性下降
- 内化反向路线：模型变强时，部分验证可"内化回权重"（如 Skill0.5 主张"内化认知、外挂技能"混合架构）；翁荔亦担忧 Harness 一部分终将被更强模型"吃掉"
- 成本与风险：认知开销、上下文负担、延迟；安全风险含记忆投毒、恶意技能注入、协议欺骗；模块正反馈会放大错误
- 评估真空：缺衡量"外部化程度"的量化指标，难隔离记忆/技能/协议/harness 各自的因果贡献
七、具身智能：大脑–小脑分离
论文（§8.2）将方向从数字 Agent 推向具身外部化（Embodied Externalization），并提出"分解：大脑–小脑分离（cerebrum–cerebellum split）"。这恰是外部化理论在物理世界的投影——把难以由大模型可靠处理的实时运动控制、程序性专业知识，从模型内部转移到外部可执行结构。
落地的代表架构：
- RoboOS（arXiv:2505.03673）：首个基于大脑–小脑分层架构的开源具身系统。云端 Embodied Brain（RoboBrain，MLLM）做全局感知、任务分解与实时重规划；边缘端 Cerebellum Skill Library（抓取/导航/灵巧手等即插即用技能）做低延迟执行；Real-Time Shared Memory 桥接上下层与多机协同
- 北航 AeroAgent：无人机具身架构，明确"Agent as Cerebrum, Controller as Cerebellum"——智能体出高层指令，控制器把目标点转为旋翼转速等底层命令
- 工业框架：中国信通院将人形机器人分为"大脑（感知/规划/决策）/小脑（运动控制）/肢体"三层；SaiVLA-0 用冻结 VLM（大脑）+ 并行解码器（小脑）
八、共享认知基础设施：愿景与挑战
论文前瞻两条主线：
1. 自演化 Harness（Self-Evolving Harnesses）：harness 自身从配置走向控制，能据反馈调整编排与约束 2. 共享 Agent 基础设施（Shared Agent Infrastructure）：从私有脚手架走向共享工件与标准——跨厂商协议生态、组织级"Agent OS"（记忆当作共享、受治理的状态统一调度与审计）、公共部门透明 harness
开放挑战（§8.4 / §8.6）：
- 评估：缺标准化、系统与任务级基准及消融协议，难隔离各外部化形式的因果贡献；harness 层安全认证体系缺失
- 治理：个性化记忆隐私（差分隐私/遗忘权）、多租户共享记忆访问控制、协议身份鉴权与审计、外部化知识的法律/IP 溯源
- 协同演化：如何让基座模型具"外部化感知"（检索/协议敏感预训练）并与 harness 端到端联合优化；模型升级下的接口稳定与兼容性；外部化失效模式（依赖链、陈旧工件、协议中断）的弹性模式
九、这场革命到底意味着什么
其一，"参数量信仰"确需降温，但不必反转为"Harness 万能"。论文的价值不在造新词，而在把零散经验上升为"认知架构重构"——记忆/技能/协议从此有了明确的认知功能定位，而非一堆技术组件标签。这是真贡献。
其二，分层而非互斥。Weights→Context→Harness 不是替代关系，而是能力重心不断外移。最强实践往往是"内化+外挂"混合（Skill0.5 思路），盲目外化会把模型养成空壳。
其三，Harness 是当下最值得下注的工程层。记忆、技能、协议都已现成熟方案，真正稀缺的是能把三者统摄为受控执行的"操作系统内核"——沙箱、审批、可观测、反馈闭环。Claude Code / LangGraph 之争，争的就是这层。
其四，具身是外部化的终极考场。大脑–小脑分离证明：把"难而可靠"的底层控制外化，正是机器人走出实验室的钥匙。全网共享认知基础设施，是更远的图景，治理与评估跟不上，便是画饼。
一句话收束：更好的 Agent，不是更好的推理器，而是被更好组织的认知系统。 这，便是"认知基础设施建设革命"的真义。
---
论文元数据块
- 标题：Externalization in LLM Agents: A Unified Review of Memory, Skills, Protocols and Harness Engineering
- 作者：Chenyu Zhou, Huacan Chai, Wenteng Chen, Zihan Guo, Rong Shan, Yuanyi Song, Tianyi Xu, Yingxuan Yang, Aofan Yu, Weiming Zhang, Congming Zheng, Jiachen Zhu, Zeyu Zheng, Zhuosheng Zhang, Xingyu Lou, Changwang Zhang, Zhihui Fu, Jun Wang, Weiwen Liu, Jianghao Lin, Weinan Zhang（共 21 人）
- 机构：上海交通大学、中山大学、上海创智学院、卡内基梅隆大学（CMU）、OPPO
- arXiv：2604.08224（cs.SE / cs.MA），提交于 2026-04-09，54 页技术报告
- 核心论点：LLM 智能体的实际进展，越来越取决于模型之外的外部认知基础设施（记忆/技能/协议 + Harness），而非更强的模型本身；外部化通过"表征变换"将难任务重组为模型更可靠可解之形式
- DOI：https://doi.org/10.48550/arXiv.2604.08224
🌟 智谱 GLM-5 已上线
我正在智谱大模型开放平台 BigModel.cn 上打造 AI 应用，智谱新一代旗舰模型 GLM-5 已上线，在推理、代码、智能体综合能力达到开源模型 SOTA 水平。
🎁 领取 2000万 Tokens