可靠的Agent能力不仅来自模型内部参数权重，更来自将认知负担外部化到结构化基础设施中。

近期，上交大、中山大学、卡梅隆等发表长文对 LLM Agents中的外部化：记忆、Skills、协议与Harness工程进行了统一综述

借用认知工具（Cognitive Artifacts）理论：Agent基础设施的重要性不仅在于添加辅助组件，而在于将难以解决的认知负担转化为模型能更可靠处理的形式。

图1：外部化作为LLM Agent设计的组织原则

• 人类认知外部化的弧线（从思维→语言→文字→印刷→计算）
• LLM Agent对应的外部化弧线：从权重（Weights）通过三个外部化维度——记忆（Memory，外部化状态）、技能（Skills，外部化专业知识）、协议（Protocols，外部化交互）——最终到达Harness（ harness系统）。

2. 从权重到上下文再到Harness：能力的三次迁移

展示了从2022到2026年，研究重心如何从Weights（预训练、Scaling Law）转向Context（RAG、长上下文），再到Harness（MCP工具生态、安全、多Agent协作）。

图2：社区主题在三个能力层次上的演变

2.1 权重时代（Weights）：内在知识的局限

早期的现代LLM部署几乎完全依赖模型参数。预训练将统计规律、世界知识和推理习惯压缩进权重中。Scaling Law揭示了参数规模与性能的可预测关系。

局限：知识更新困难（需要重新训练）、难以审计（知识分散在数十亿参数中）、缺乏个性化（一套权重服务百万用户却无法区分）。

2.2 上下文时代（Context）：提示工程的崛起

能力开始从模型内部向输入设计转移。少样本示例、思维链（Chain-of-Thought）、RAG（检索增强生成）等技术证明：不必修改权重，仅通过精心设计的上下文就能显著改变模型行为。

关键转变：将困难的"回忆"问题（模型必须从参数中恢复知识）转化为简单的"识别"问题（模型只需使用已提供的上下文）。

2.3 Harness时代：基础设施即能力

随着上下文窗口饱和和提示模板变得笨重，工程注意力转向"模型应在什么样的环境中运行？"。

图3：Harnessed LLM Agent的外部化架构

Harness层包括：持久记忆存储、工具注册表、协议定义、沙箱、子Agent编排、评估器等。可靠性越来越多地通过改变环境而非提示模型来解决。

3. 外部化状态：记忆系统（Memory）

记忆外部化解决的是Agent的时间连续性负担。原生LLM是"无状态生成器"：每次调用都是全新的上下文，连续性必须在提示中重建。

图4：作为外部化状态的记忆
展示了从原始上下文到记忆内容的转换，以及四种记忆系统架构：单体上下文、检索存储、分层编排（提取-巩固-遗忘-冷热交换）和自适应记忆系统（动态模块、基于反馈的策略优化）。

架构演进：

• 单体上下文：所有历史保留在提示中（简单但容量受限）
• 上下文+检索存储：近端状态在上下文，长期轨迹外部存储（RAG模式）
• 分层记忆与编排：引入显式的提取、巩固和遗忘操作（如MemGPT、Memory OS）
• 自适应记忆系统：模块和检索策略能根据经验响应（如MemEvolve、MemRL）

认知工具视角：记忆系统将"无界回忆"转化为"有界、精选的检索"，改变了模型在每个决策点面临的任务结构。

4. 外部化专业知识：技能系统（Skills）

技能外部化解决的是程序性负担。模型可能"知道"如何完成任务，但可靠执行需要重复构建工作流、默认值和约束，这导致方差：遗漏步骤、不稳定的工具使用、不一致的终止条件。

4.1 技能的三个组件

1. 操作程序（Operational Procedure）：任务骨架（步骤分解、阶段、依赖、停止条件）
2. 决策启发（Decision Heuristics）：分支点的实用经验法则（先尝试什么、何时退出）
3. 规范约束（Normative Constraints）：可接受性的边界（测试要求、范围限制、访问控制）

4.2 从执行原语到能力包

技能系统经历了三个阶段：

• 阶段1：原子执行原语（如Toolformer）——稳定调用单个工具
• 阶段2：大规模原语选择（如Gorilla、ToolLLM）——在大量工具中检索选择
• 阶段3：技能作为打包的专业知识——将任务类别的操作方法打包为可重用单元

图5：作为外部化专业知识的技能
展示了技能的完整生命周期：从获取（专家编写、从情景记忆蒸馏、环境探索发现、现有单元组合）到技能工件（操作程序、决策启发、规范约束），再到激活流水线（注册表发现、渐进式披露、组合），最后在运行时执行。

关键机制：

• 渐进式披露：不一次性加载完整技能文档，而是分层暴露（名称→摘要→完整指南）
• 执行绑定：技能必须通过协议接口绑定到可执行动作（工具、API、文件、子Agent）
• 组合性：技能可参与更高阶协调（串行、并行、条件路由、递归调用）

5. 外部化交互：协议系统（Protocols）

协议外部化解决的是协调负担。裸模型可能推断出应该调用工具或委派子Agent，但没有显式契约时，它必须即兴创作消息格式、参数结构、生命周期语义和恢复行为。

5.1 协议的内容维度

协议将以下四个维度外部化：

1. 调用语法（Invocation Grammar）：参数名称、类型、顺序、返回结构（schema化）
2. 生命周期语义（Lifecycle Semantics）：多步交互的协调规则（状态机、事件流）
3. 权限与信任边界：授权规则、数据流向、审计要求
4. 发现元数据（Discovery Metadata）：能力注册表、能力卡片、schema端点

图6：作为外部化交互的协议
上图：从孤立模型调用→API硬编码→标准化协议→Agent Web的演进。
下图：Harness通过三个功能界面实现外部化交互管理：Interact（与外部API/工具交互）、Perceive（感知环境/上下文/记忆/反馈）、Collaborate（与其他LLM/Agent/人类协作）。

5.2 协议家族综述

6. 统一外部化：Harness工程

Harness是承载三个外部化维度（记忆、技能、协议）的工程层，提供编排逻辑、约束、可观测性和反馈循环，使外部化认知在实践中可靠运行。

6.1 什么是Harness？

Harness不是模型之外的第四个外部化维度，而是运行时环境——模型在其内部运行，通过它感知、决策和行动。

图3：Harnessed LLM Agent的外部化架构
Harness位于中心；三个外部化维度围绕它运行：记忆（工作上下文、语义知识、情景经验、个性化记忆）、技能（操作程序、决策启发、规范约束）、协议（Agent-用户、Agent-Agent、Agent-工具）。操作元素（沙箱、可观测性、压缩、评估、审批循环、子Agent编排）调节Harness核心与外部化模块的交互。

6.2 Harness设计的六个分析维度

图7：作为认知环境的Harness

基础模型（Agent核心）位于中心；六个Harness维度形成协调环：记忆（状态持久化）、技能（可重用例程）、协议（确定性接口）、权限（沙箱、文件隔离）、控制（递归边界、成本上限）、可观测性（结构化日志、执行轨迹）。

6.3 Harness作为认知环境

从分布式认知理论看，Harness不仅仅是软件基础设施，而是塑造Agent有效认知的环境。它决定了什么进入感知领域、什么跨会话保留、哪些操作可调用、哪些行动需要审批、哪些中间状态可修订。

Harness将无界任务转化为结构化环境，通过外部化记忆、形式化程序、引入显式控制点和约束执行，重新分配认知工作负载。

7. 交叉分析：模块间耦合

三个外部化模块在Harness内并非孤立，而是形成六条关键交互流：

图8：记忆、技能、协议之间的耦合

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】