[综述] Agent 的进化：从模型权重到“外部化”认知基础设施

TL;DR

未来的 AI Agent 进步，可能不再取决于模型参数的堆砌，而在于其周围的“装具”（Harness）有多成熟。上海交大与 OPPO 等团队近日发布深度综述，提出了 Externalization (外部化) 理论：通过将记忆、技能和交互协议从模型内部剥离到外部结构中，Agent 能够将复杂的认知负担转化为更可靠的“识别”与“组合”任务。

背景定位：Agent 设计的“大航海时代”

在过去两年里，我们经历了从“能力在权重中 (Weights)”（依靠预训练）到“能力在上下文中 (Context)”（依靠提示词工程）的转变。现在，我们正迈向第三阶段——“能力在装具中 (Harness)”。

图 1：从人类文明史看 AI 外部化的演进：从语言、文字到今天的 AI Harness

痛点深挖：为什么单一 LLM 无法成为合格的 Agent？

未经辅助的 LLM 在处理复杂任务时存在三个致命错位：

1. 短期记忆局限：Context Window 再大也是碎片化的，缺乏跨 Session 的持久状态。
2. 执行方差过大：即便模型“知道”怎么做，每次生成的流程（Workflow）可能完全不同，缺乏工业级的稳定性。
3. 协作协议缺失：模型与工具、API 的交互往往依赖模糊的 Prompt，导致调用极其脆弱。

核心方法：外部化三剑客

文章提出，Agent 的外部化由三个关键维度支撑，它们通过 Harness (装具) 统一调度：

1. Memory (外部化状态)

记忆不再只是一个简单的数据库，而是一个受控的生命周期。

• Working Context：当前的中间状态（类似操作系统的寄存器）。
• Episodic Experience：过去干了什么、哪儿错了（类似人类的经历）。
• Semantic Knowledge/Personalized Memory：从经历中抽象出的事实与偏好。
• 物理直觉：将“回忆”任务转化为“索引与检索”任务，降低模型负担。

2. Skills (外部化专业知识)

技能（Skills）是高于 API 调用的抽象。它不仅包含“能做什么”，更包含“怎么做更好（Heuristics）”以及“哪些不能做（Constraints）”。

• 从生成到组合：Agent 不再是每次即兴发挥，而是从技能库中“加载”经过验证的操作指南。
• 核心图表展示了技能的生命周期：

图 2：技能的获取、封装与运行时绑定流程

3. Protocols (外部化交互)

协议是将模型输出转化为“确定性行动”的契约。

• MCP (Model Context Protocol)：如 Anthropic 提出的标准，解耦工具生态。
• A2A (Agent-to-Agent)：定义代理人之间的信息交换指南。
• 价值：将模糊的对话式沟通转变为机器可读的标准合同，实现跨厂商协作。

Harness：Agent 的“操作系统”

Harness 并不是第四个维度，它是承载前三者的运行环境。一个成熟的 Harness 需要具备：

• 控制流控制：防止递归爆炸，管理 Token 预算。
• 沙箱隔离：确保代码操作不会真的毁掉宿主机。
• 人类干预闸门：高风险操作必须停下来等审批。

图 3：Harness 作为认知环境：核心模型被记忆、技能、协议及治理层包围

实验与洞察：Parametric vs. Externalized

论文深入探讨了一个核心权衡：哪些能力该留在权重里，哪些该拿出来？

• 更新频率高、需审计、需跨代理重用的能力 —— 必须外部化。
• 底层常识、通用推理、低延迟响应 —— 保留在参数中。

深度洞察与总结

Takeaway：未来的开发者可能不需要频繁微调（Fine-tuning）模型来适配业务逻辑，而是通过编写 SKILL.md 和配置 Memory Policy 来优化 Agent。

局限性：外部化会带来额外的认知开销——模型需要花费 Token 去“阅读”说明书。如果外部化过度，Agent 可能会陷入“行政冗余”，迷失在繁琐的协议逻辑中。

展望：从数字 Agent 到具身智能（Embodied AI），“大脑（大模型计划）”与“小脑（外部化动作算子）”的分离已经成为必然。Agent 终将不仅仅是一个模型，而是一套严密组织的认知系统。