Externalization in LLM Agents: A Unified Review
来源：https://arxiv.org/abs/2604.08224 作者：Chenyu Zhou, Huacan Chai 等（上海交大 Weinan Zhang 团队） 发表：2026-04-09，54 页技术报告 收录时间：2026-05-18
概述
从"外部化"（Externalization）视角统一综述 LLM Agent 的四大基础设施：Memory、Skills、Protocols、Harness Engineering。
核心论点：LLM Agent 的进步越来越不依赖于改模型权重，而是重组模型周围的 runtime。 早期系统期望模型内部恢复的能力，现在被外部化到记忆存储、可复用技能、交互协议和 harness 中。
认知工件框架
借用认知科学"认知工件"（cognitive artifacts）概念：Agent 基础设施不仅添加辅助组件，而是将困难的认知负担转化为模型能更可靠解决的形式。
| 外部化形式 | 解决什么问题 | 说明 | |-----------|-------------|------| | Memory | 跨时间状态 | 将内部记忆负担外部化到持久存储 | | Skills | 过程性专业知识 | 将程序性知识外部化为可复用模块 | | Protocols | 交互结构 | 将协作模式外部化为标准协议 | | Harness Engineering | 统一层 | 协调以上三者成为受治理的执行 |
历史演进
Weights → Context → Harness
阶段1：改权重（训练/微调）
阶段2：改上下文（prompt engineering、RAG、工具）
阶段3：改运行环境（harness engineering）
Agent 实践进步的核心路径：从依赖模型内部能力到依赖外部认知基础设施。
Memory 外部化
- 短期：上下文窗口内的工作记忆
- 中期：Session 间的交接文件（progress.md、handoff notes）
- 长期：向量数据库、知识图谱、语义检索
- 关键洞察：记忆不只是存储，是将认知负担从模型权重转移到外部存储
Skills 外部化
- 将重复性程序知识编码为可复用模块
- 形式：AGENTS.md 指令、MCP 工具、自定义 linter、pre-commit hooks
- 与 prompt engineering 的区别：Skills 是持久的、可版本化的、可测试的
- 关键洞察：技能外部化让模型不需要"记住"怎么做，而是能"查阅"怎么做
Protocols 外部化
- 标准化 Agent 间和 Agent-人间交互模式
- 形式：MCP（Model Context Protocol）、ACP（Agent Communication Protocol）、AGENTS.md 格式
- 关键洞察：协议将协作模式从隐式约定变为显式规范
Harness Engineering — 统一层
Harness 是以上三者的协调层：
- 管理 Memory 的注入和更新时机
- 调度 Skills 的加载和执行
- 执行 Protocols 的约束和验证
- 提供沙箱、背压、恢复路径等运行时保障
Harness 中的每个组件都编码了一个假设：模型不能自己做什么。当模型变好，组件可能过时；当模型解锁新能力，新组件需要跟上。
参数化能力 vs 外部化能力的权衡
- 参数化（模型权重内）：零延迟、无 token 成本，但难更新、不可审计
- 外部化（runtime）：可更新、可审计、可测试，但有延迟和 token 成本
- 趋势：越来越多能力从参数化迁移到外部化，因为后者更可控、更可靠
新兴方向
- 自进化 Harness — Harness 能自动检测自身缺陷并修复（如自动更新 AGENTS.md 规则）
- 共享 Agent 基础设施 — 多 Agent 共享公共的 memory/skills/protocols 层
- 模型与外部基础设施的长期共同进化
开放挑战
- 评估：如何系统性评估 harness 的质量而非模型的质量？
- 治理：当 harness 越来越复杂，如何确保其行为可预测？
- 共同进化：模型和 harness 的耦合关系如何长期管理？
意义
这是目前看到的最系统的理论框架——把 Memory、Skills、Protocols、Harness 四者统一下面用"外部化"这个单一视角解释。对理解 Harness Engineering 在整个 Agent 技术栈中的位置非常有价值。