从“外挂”到“脑子”：LLM Agent的进化逻辑，一文讲透

最近刷到一篇上交大和中科院团队的综述，2026年4月发的，题目是Externalization in LLM Agents，里面提到一个特别有意思的观点：大模型Agent的核心进化，不是把模型做得越来越大，而是把那些费脑子的认知负担，一点点“搬”到模型外面来。

读完之后我觉得这个框架太能说清事儿了，结合我最近做Agent开发的实际感受，就整理成了这篇文章。

先跟大家说个反常识的结论

很多人都觉得，Agent行不行，关键看它的底座模型够不够强。这话没毛病，但说得不够准。

论文里有个很实在的观察：实际用的时候，很多系统可靠性的提升，压根没动过模型的参数。

都是靠加持久化记忆、整理能反复用的技能文件、统一工具接口、规范执行流程、给每一步操作记日志……这些方式实现的。

问题的核心，已经从“模型有多能干”，变成了“模型外面那套配套设施有多好用”。

论文里把这个框架叫做Externalization（外化），借鉴的是认知科学家Norman的“认知制品”理论。

核心想法其实特别简单：这些“制品”的作用，不是给你额外加能力，而是改变了任务本身的样子。

就像购物清单，不是让你记忆力变好了，而是把“费劲回忆要买啥”，变成了“对着单子核对”这种简单活；地图也不是让你突然变成导航高手，而是把藏着的空间关系，变成了眼睛一眼就能看清的结构。

LLM Agent的基础设施，干的就是一模一样的事。

三层演进：从权重到上下文，再到Harness

论文把这几年大模型Agent的发展，分成了三个阶段。

第一层：能力都藏在权重里。那时候大家的思路就是模型越大越好，所有知识都“烧”进参数里，想更新一个知识点，就得重新训练一遍模型。

这本身没什么问题，但麻烦就在于，知识、流程、策略，全被锁在一个静态的模型文件里，想查、想改，或者想针对不同用户做差异化调整，都特别费劲。

第二层：能力挪到了上下文里。像Chain-of-Thought、RAG、ReAct这些方法，核心逻辑都一样：不改动模型，而是把任务需要的信息、推理步骤，在调用模型之前塞进去。

这就把“模型记不记得住”这个难题，变成了“把答案放它眼前，它能不能用”的简单识别问题，效率一下子就提上来了。但缺点也很明显，上下文窗口就那么大，而且是一次性的，会话结束就全忘了，多个智能体一起协作，也没有统一的接口标准。

第三层：能力放到了Harness里。这就是现在正在发生的事。系统靠不靠谱，越来越取决于模型外面那套能长期保存的设施：记忆库、技能文件、协议层、沙箱、审批环节、日志系统……模型还是那个负责推理的核心，但“智能”不再只靠模型自己，而是靠外面这套体系撑起来。

外化的三个维度

论文把需要从模型里“搬出去”的负担，分成了三类。

记忆：把状态搬出去

纯模型本身是没有记忆的，每次对话都跟一张白纸一样。用户的喜好、上一次任务的进度、已经踩过的坑，都得靠提示词手动带进去，既浪费Token，也不保险。

把记忆外化之后，就有专门的记忆系统来管这件事。论文里把要存的状态分成了四层：当前任务的工作上下文、之前执行过的情节记忆、跨任务能用的语义知识，还有和特定用户绑定的个性化偏好。

从架构上来说，系统也从“把所有历史都塞进提示词”，进化到“需要什么就查什么”，再到“分层管理、该忘就忘”，现在最新的方向，甚至会用强化学习来优化检索策略。

关键在于：记忆好不好，不在于存了多少东西，而在于能不能在该用的时候，把对的东西调出来。让当前的决策能“看清楚”过往的信息，这才是记忆系统的真正作用。

技能：把流程搬出去

模型每次执行任务，都得从自己的权重里“临时想”一套工作流程。步骤先后、遇到分支怎么选、什么时候该停……每次都可能不一样。遇到长任务、多步骤的任务，这种不稳定的问题，真的特别让人头疼。

把技能外化，就是把“这类任务该怎么干”，写成一个明确的、能反复用的东西——比如一个SKILL.md文件，说清楚什么时候能用、具体步骤是什么、有什么约束、要注意什么。

技能不只是“提示词”，也不只是“工具”。工具告诉你“能做什么操作”，协议规定“怎么调用这个操作”，而技能是教你“这类任务该怎么完成”，是更高层面的、关于“怎么做”的知识。

论文里提了个很有意思的机制，叫Progressive Disclosure（渐进展开）：先只给模型看技能的名字和简单介绍，只有真的需要用到的时候，再把完整的步骤指南加载进去。

这样就不会一上来就把上下文塞满没用的细节——Claude Code的技能系统，用的就是这个思路。

协议：把交互搬出去

模型跟外部工具、其他Agent交互的时候，如果全靠它自己自由发挥生成格式，特别容易出问题。工具接口变了、另一个Agent理解方式不一样，都可能让整个流程崩掉。

协议就是把这件事变成了有规矩的约定：字段类型是什么、调用的状态机怎么运行、权限边界在哪、怎么知道有哪些能力可以用。

MCP（Anthropic推的Model Context Protocol）是Agent和工具交互协议里最有代表性的，解决的就是“每个工具都要单独适配”的麻烦。

A2A（Google）、ACP（IBM）解决的是Agent之间怎么标准化协作。AG-UI、A2UI则是解决Agent的执行状态，怎么标准化地展示给前端界面。

这些协议的价值，不只是让调用格式更整齐，更重要的是把“格式对不对、权限够不够、状态机走到哪了”这些判断，从模型的推理任务里摘出来，交给运行时来强制保证，不用再让模型费心。

Harness：把三者缝合起来的那一层

记忆、技能、协议，各自解决了一部分问题，但如果它们各干各的，就是一堆零散的零件。把它们拼成一个能正常运行的系统，靠的就是Harness。

论文把Harness的核心工作，拆成了六个方面：

执行循环与控制流，负责调度“感知—检索—规划—行动—观察”这个循环，同时设置最大步数、递归深度、资源上限，防止出现无限循环或者费用超标。

沙箱与执行隔离，决定Agent能接触什么、不能接触什么，让它的操作副作用可控，就算失败了也能回滚到之前的状态。

人工审批门，遇到敏感操作或者高风险步骤，就暂停下来等人工确认，Agent的自主程度是可以设置的参数，不是非黑即白的开关。

可观测性与结构化反馈，每次调用、每个工具使用、每一次记忆读写，都留下规范的日志，一方面方便调试和审计，另一方面把失败的记录写回记忆，给优化技能提供依据。

配置、权限与策略编码，把“能做什么、不能做什么、在什么条件下可以做”从提示词里抽出来，变成可以版本管理、可以分层继承的明确规则。

上下文预算管理，记忆检索、技能加载、协议schema、工具描述，都在抢同一个Token窗口，Harness负责在不同的执行阶段动态分配，不让它们乱抢资源、互相挤占。

三者之间的联动

论文里有一张循环图，把记忆、技能、协议之间的关系画得很清楚，我用文字跟大家说一下：

记忆里积累的执行记录，经过提炼，能变成可以反复用的技能；技能执行之后产生的新记录，又会写回记忆，让技能能自我修正。

技能最终得通过协议，绑定到能实际执行的工具或子Agent上，才能真的跑起来；而协议调用的结果，又要规范地写入记忆，才能支撑后续的决策。

记忆里的过往经验，还能影响协议的选择，比如某个工具反复失败，系统就会学会优先选别的路径。

这个闭环系统有好处也有风险。好处是能自我强化：更好的记忆能催生更好的技能，更好的技能又能积累更丰富的记忆。

风险则是错误也会被放大：一条有问题的记忆，可能会提炼出有缺陷的技能，这个技能执行的结果，又会进一步污染记忆。单靠某一个模块自己的质量控制，拦不住这种连锁问题——这就是Harness必须要管的事。

往后看：几个有意思的方向

论文最后聊了几个前沿方向，我挑几个我觉得值得关注的跟大家说。

具身智能里的同构。VLA模型（视觉-语言-动作模型）的发展，正在走数字Agent的老路，也就是这套外化逻辑。

原来大家想靠一个大模型，从头到尾解决感知、规划、执行所有事，现在越来越多的系统，把高层规划交给LLM/VLM，把底层的精细操作交给专门的VLA技能模块，两者之间用规范的协议通信。

这跟我们大脑皮层和小脑的分工，其实是一个道理。

自进化Harness。现在调整记忆策略、修改技能文件、优化执行逻辑，主要还得靠人工。

如果把Harness的配置本身，也变成可以编程修改的对象，Agent系统就能在三个层面自我进化：策略层（调整检索精度、技能排序规则）、管线层（重新安排调度方式）、边界层（决定什么时候新增一个外化模块，什么时候删掉一个没用的）。

这想法很吸引人，但风险也在这——失控的自进化，可能带来新问题的速度，比解决旧问题还快。

从私有脚手架到共享基础设施。现在大多数外化设施，都是一个Agent一套，但随着协作的环节越来越多，大家对共享记忆、共享技能库、统一协议的需求，会越来越强烈。

到那时候，技能文件就会变得像“开源库”一样，记忆系统就像“共同的知识库”，而配套的版本管理、权限审计、溯源机制，就会变成Agent生态里的治理基础设施。

最后

这篇论文最有价值的地方，就是把“Agent能力”这个模糊的概念，拆成了一个能系统设计的工程问题：哪些认知负担该留在模型里，哪些该搬出去，搬出去之后怎么组织，不同部分之间怎么配合，配合的过程怎么管控。

这对我们这些实际做Agent开发的人来说，比单纯比模型的benchmark有用多了。模型好不好当然重要，但很多时候，系统靠不靠谱，关键看外面那套配套设施设计得好不好。

这里给大家精心整理了一份全面的AI大模型学习资源，包括：AI大模型全套学习路线图（从入门到实战）、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等，资料免费分享！

👇👇扫码免费领取全部内容👇👇

1. 成长路线图&学习规划

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。

这里，我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。可以说是最科学最系统的学习成长路线。

2. 大模型经典PDF书籍

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）

3. 大模型视频教程

对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。

4. 2026行业报告

行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5. 大模型项目实战

学以致用 ，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。

6. 大模型面试题

面试不仅是技术的较量，更需要充分的准备。

在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

7. 资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇