收藏！从「外挂」到「脑子」一文读懂LLM Agent进化逻辑，小白也能看懂大模型

本文介绍了上交大和中科院团队的综述论文《Externalization in LLM Agents》，提出大模型Agent的核心进化在于将认知负担从模型中"搬出去"，即通过外化记忆、技能和协议来提升可靠性。文章将Agent发展分为三个时代：能力在权重里、能力在上下文里、能力在Harness里，并详细阐述了外化记忆、技能和协议的概念及其重要性。此外，还介绍了Harness如何将三者缝合起来，以及未来几个有趣的方向，如具身智能里的同构、自进化Harness和从私有脚手架到共享基础设施。文章最后强调，Agent能力是一个可以被系统化设计的工程问题，这对实际做Agent开发的人来说非常重要。

最近刷到一篇来自上交大和中科院团队的综述，发表于2026年4月，题目叫Externalization in LLM Agents，说的是一个很有意思的视角：大模型Agent的核心进化，不是在把模型做得更大，而是在把认知负担一件一件地"搬出去"。

读完之后觉得这个框架真的很有解释力，结合最近做Agent开发的感受，整理成这篇文章。

先说个反直觉的结论

很多人觉得，Agent能力强不强，关键看底座模型好不好。这话没错，但不够准确。

论文里给了一个很直白的观察：实际系统里很多可靠性的提升，根本没有改模型参数。是通过加持久化记忆、整理可复用的技能文件、标准化工具接口、约束执行流程、给行为打日志……来实现的。

问题的核心从"模型多能"变成了"模型外面那圈东西有多好"。

这个框架，论文叫做Externalization（外化），借的是认知科学家Norman的"认知制品"理论。

核心洞察其实很朴素：制品的力量不在于它给你加了什么能力，而在于它改变了任务本身的形态。购物清单不是扩大了人类的记忆容量，它把"回忆"这件困难的事，变成了"对照"这件容易的事。地图不是让人变成导航达人，它把隐藏的空间关系，变成了眼睛直接可见的结构。

LLM Agent的基础设施，做的是同一件事。

三层演进：从权重到上下文，再到Harness

论文把近几年大模型Agent的发展，分成了三个时代。

第一层：能力在权重里。模型越大越好，知识都烧进参数里，想更新一个事实就要重新训练。那时候大家的思路就是堆参数、堆数据、搞对齐。这没什么问题，但问题在于知识、流程、策略都被锁死在一个静态的模型文件里，想查、想改、想针对不同用户差异化，都很难。

第二层：能力在上下文里。Chain-of-Thought、RAG、ReAct……这些方法的共同逻辑是：不改模型，而是把任务需要的信息、推理步骤，在调用前塞进去。这把"模型记住了吗"这个召回问题，变成了"把答案放在眼前，模型能用吗"的识别问题，效率高多了。但上下文窗口是有限的，而且是一次性的，会话结束就忘，多智能体协同也没有公共的接口标准。

第三层：能力在Harness里。这就是现在正在发生的事。可靠性越来越依赖于模型外面的那圈持久化设施：记忆库、技能文件、协议层、沙箱、审批门、日志系统……模型仍然是推理引擎，但"智能"不再只住在模型里。

外化的三个维度

论文把需要从模型里"搬出去"的负担，分成三类。

记忆：把状态搬出去

裸模型没有记忆。每次对话都是白纸开始。用户的偏好、上次任务的进度、已经踩过的坑，都要靠提示词手动携带，这既浪费Token，也不可靠。

外化记忆之后，记忆系统接管了这件事。论文把需要存的状态分成四层：当前任务的工作上下文、历史执行的情节记忆、跨任务的语义知识、跟特定用户绑定的个性化偏好。

从架构上，系统也从"整个历史塞进提示词"进化到"按需检索"，再到"分层管理、主动遗忘"，最新的方向甚至是用强化学习来优化检索策略。

关键洞察：记忆好不好，不在于存了多少，而在于能不能在对的时候把对的东西调出来。让当前决策"看得清楚"，才是记忆系统的真正目标。

技能：把流程搬出去

模型每次执行任务，都要从权重里"临时发明"一套工作流。步骤顺序、遇到分支怎么选、什么情况下停止……每次都可能不一样。长任务、多步骤任务里，这种不稳定性是真实的痛点。

外化技能，就是把"这类任务该怎么做"写成一个显式的、可复用的制品——比如一个SKILL.md文件，说清楚适用场景、执行步骤、约束条件、注意事项。

技能不只是"提示词"，也不只是"工具"。工具暴露的是"能做什么操作"，协议规范的是"怎么调用这个操作"，技能编码的是"这类任务应该怎么完成"，是更高层的程序性知识。

论文提了一个很有意思的机制叫Progressive Disclosure（渐进展开）：先只把技能名字和摘要给模型看，只有真的需要的时候，才把完整的步骤指南加载进来。这样避免了一上来就把上下文塞满没用的细节——Claude Code的技能系统就是这个思路。

协议：把交互搬出去

模型跟外部工具、其他Agent交互的时候，如果全靠自由发挥生成格式，非常脆弱。工具接口变了、另一个Agent的理解方式不同，都可能导致整个链路崩掉。

协议把这件事变成了结构化的契约：字段类型是什么、调用的状态机是什么、权限边界在哪、怎么发现有哪些能力可以用。

MCP（Anthropic推的Model Context Protocol）是Agent-工具协议里最具代表性的，解决的就是"每个工具都要单独适配"的问题。A2A（Google）、ACP（IBM）解决的是Agent之间怎么标准化协作。AG-UI、A2UI解决的是Agent执行状态怎么标准化暴露给前端界面。

这些协议的价值，不只是让调用更整齐，而是把"格式对不对、权限够不够、状态机走到哪"这些判断，从模型的推理任务里移除掉，交给运行时来强制保证。

Harness：把三者缝合起来的那一层

记忆、技能、协议各自解决了一块，但它们各自为政就是一堆散件。把它们缝合成一个能跑起来的系统，靠的是Harness。

论文把Harness的核心职责拆成六个维度：

执行循环与控制流，负责"感知—检索—规划—行动—观察"这个循环的调度，同时设置最大步数、递归深度、资源上限，防止无限循环或爆费。

沙箱与执行隔离，决定Agent能碰什么、不能碰什么，让副作用可控、失败可回滚。

人工审批门，对敏感操作或高风险步骤暂停等待确认，自主程度是可配置的参数，不是非此即彼的开关。

可观测性与结构化反馈，每次调用、每个工具调用、每次记忆读写都留下结构化日志，一方面用于调试和审计，另一方面把失败记录写回记忆，为技能优化提供依据。

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"从提示词里抽出来，变成可版本管理、可分层继承的声明式规则。

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负责在不同执行阶段动态分配，而不是让它们无序地互相挤占。

三者之间的联动

论文里有一张循环图，把记忆、技能、协议之间的流向画得很清楚，这里用文字说一下：

记忆积累的执行轨迹，经过蒸馏，能变成可复用的技能；技能执行产生的新轨迹，又写回记忆，让技能有了自我修正的依据。技能最终要通过协议绑定到可执行的工具或子Agent上，才能真的跑起来；而协议调用的结果，又要被规范化地写入记忆，才能支撑后续的决策。记忆里的历史经验，还能影响协议路由的选择，比如某个工具反复失败，系统可以学会优先走别的路。

这个闭环系统有个好处，也有个风险。好处是能够自我强化：更好的记忆带来更好的技能，更好的技能积累更丰富的记忆。风险是错误也会自我放大：一条被污染的记忆，可能蒸馏出一个有缺陷的技能，这个技能的执行结果再进一步污染记忆。单靠某一个模块自己的质量控制，没法打断这个级联——这是Harness层面必须要管的问题。

往后看：几个有意思的方向

论文末尾谈了几个前沿方向，选几个我觉得比较值得关注的说一下。

具身智能里的同构。VLA模型（视觉-语言-动作模型）的演进，正在复刻数字Agent的这套外化逻辑。原来想用一个大模型端到端解决感知、规划、执行，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，两者之间用结构化协议通信。这跟大脑皮层和小脑的分工异曲同工。

自进化Harness。现在修记忆策略、改技能文件、优化执行逻辑，主要还是靠人工。如果把Harness的配置本身也变成可程序化修改的对象，Agent系统就能在三个层面自我进化：策略层（调整检索粒度、技能排序规则）、管线层（重新安排调度策略）、边界层（决定什么时候新增一个外化模块，什么时候裁掉一个冗余的）。这很诱人，但风险也在这里——失控的自进化，可能引入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是一个Agent一套，但协作链路变长之后，共享记忆、共享技能库、统一协议的需求会越来越强。这时候技能文件开始类似于"开源库"，记忆系统开始类似于"共同知识库"，而配套的版本管理、权限审计、溯源机制，也就变成了Agent生态的治理基础设施。

最后

这篇论文提供的最有价值的视角，是把"Agent能力"这个模糊的概念，拆解成了一个可以被系统化设计的工程问题：哪些认知负担应该留在模型里，哪些应该搬出去，搬出去之后用什么形式组织，不同形式之间怎么联动，联动过程怎么被治理。

这对实际做Agent开发的人来说，比单纯比较模型benchmark要有用得多。模型好坏当然重要，但很多时候系统可不可靠，靠的是外面那圈东西设计得好不好。

那么如何学习大模型 AI ？

对于刚入门大模型的小白，或是想转型/进阶的程序员来说，最头疼的就是找不到系统、全面的学习资源，要么零散不成体系，要么收费高昂，白白浪费时间走弯路。今天就给大家精心整理了一份全面且免费的AI大模型学习资源包，覆盖从入门到实战、从理论到面试的全流程，所有资料均已整理完毕，免费分享给各位！

核心包含：AI大模型全套系统化学习路线图（小白可直接照做）、精品学习书籍+电子文档、干货视频教程、可直接上手的实战项目+源码、2026大厂面试真题题库，一站式解决你的学习痛点，不用再到处搜集拼凑！

👇👇扫码免费领取全部内容👇👇

1、大模型系统化学习路线

学习大模型，方向比努力更重要！很多小白入门就陷入“盲目看视频、乱刷资料”的误区，最后越学越懵。这里给大家整理的这份学习路线，是结合2026年大模型行业趋势和新手学习规律设计的，最科学、最系统，从零基础到精通，每一步都有明确指引，帮你节省80%的无效学习时间，少走弯路、高效进阶。

2、大模型学习书籍&文档

理论是实战的根基，尤其是对于程序员来说，想要真正吃透大模型原理，离不开优质的书籍和文档支撑。本次整理的书籍和电子文档，均由大模型领域顶尖专家、大厂技术大咖撰写，涵盖基础入门、核心原理、进阶技巧等内容，语言通俗易懂，既有理论深度，又贴合实战场景，小白能看懂，程序员能进阶，为后续实战和面试打下坚实基础。

3、AI大模型最新行业报告

无论是小白了解行业、规划学习方向，还是程序员转型、拓展业务边界，都需要紧跟行业趋势。本次整理的2026最新大模型行业报告，针对互联网、金融、医疗、工业等多个主流行业，系统调研了大模型的应用现状、发展趋势、现存问题及潜在机会，帮你清晰了解哪些行业更适合大模型落地，哪些技术方向值得重点深耕，避免盲目学习，精准对接行业需求。值得一提的是，报告还包含了多模态、AI Agent等前沿方向的发展分析，助力大家把握技术风口。

4、大模型项目实战&配套源码

对于程序员和想落地能力的小白来说，“光说不练假把式”，只有动手实战，才能真正巩固所学知识，将理论转化为实际能力。本次整理的实战项目，涵盖基础应用、进阶开发、多场景落地等类型，每个项目都附带完整源码和详细教程，从简单的ChatPDF搭建，到复杂的RAG系统开发、大模型部署，难度由浅入深，小白可逐步上手，程序员可直接参考优化，既能练手提升技术，又能丰富简历，为求职和职业发展加分。

5、大模型大厂面试真题

2026年大模型面试已从单纯考察原理，转向侧重技术落地和业务结合的综合考察，很多程序员和新手因为缺乏针对性准备，明明技术不错，却在面试中失利。为此，我精心整理了各大厂最新大模型面试真题题库，涵盖基础原理、Prompt工程、RAG系统、模型微调、部署优化等核心考点，不仅有真题，还附带详细解题思路和行业踩坑经验，帮你精准把握面试重点，提前做好准备，面试时从容应对、游刃有余。

6、四阶段精细化学习规划（附时间节点，可直接照做）

结合上述资源，给大家整理了一份可直接落地的四阶段学习规划，总时长约2个月，小白可循序渐进，程序员可根据自身基础调整节奏，高效掌握大模型核心能力，快速实现从“入门”到“能落地、能面试”的跨越。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型

• 带你了解全球大模型

• 使用国产大模型服务

• 搭建 OpenAI 代理

• 热身：基于阿里云 PAI 部署 Stable Diffusion

• 在本地计算机运行大模型

• 大模型的私有化部署

• 基于 vLLM 部署大模型

• 案例：如何优雅地在阿里云私有部署开源大模型

• 部署一套开源 LLM 项目

• 内容安全

• 互联网信息服务算法备案

• …

👇👇扫码免费领取全部内容👇👇

3、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

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】