2026年AI Agent的竞争，正在从模型层转移到基础设施层

有一个在AI工程师圈子里越来越被体感证实、却很少被清楚说出来的现象：

当你把同一个基础模型套上不同的"脚手架"，它能完成的任务质量会产生巨大差异。精心设计的记忆检索、规范的工具调用协议、可复用的执行流程——这些围绕模型搭建的"外部结构"，有时比换一个更大的模型影响更深远。

这不是偶然。上海交通大学等机构联合发布的一篇综述论文，从认知科学的视角给出了一个统一的解释框架：LLM Agent的进步，本质上是一场认知外部化（Externalization）的过程。它把那些原本需要模型在"内部"完成的认知负担，逐步转移到模型外部的显式结构中。

人类做过同样的事，用了几千年

这篇论文最有意思的地方，是它借用了认知科学家唐纳德·诺曼（Donald Norman）的"认知制品（Cognitive Artifacts）"理论来组织整个叙事。

诺曼的核心观点是：人类不靠变聪明来应对复杂世界，而靠重新安排认知任务的结构。一个购物清单不会让你记忆力更好，但它把"回忆还差什么没买"这个难题，变成了"看一眼清单确认"——任务本身被改造了。

人类文明的认知外部化历程走过了几个阶段：语言把私人思维变成可共享的符号；书写把脆弱的生物记忆变成持久的物质记录；印刷机让知识大规模复制；数字计算把算术和符号操作从神经劳动迁移到可编程机器。

论文认为，LLM Agent正在走一条结构上高度相似的路——只不过时间轴从几千年压缩到了几年。

三种外部化，对应三种认知负担

论文把LLM Agent的认知外部化分解为三个相互独立又彼此耦合的维度：

记忆（Memory）：把状态外部化

一个裸模型是无状态的生成器——每次调用都从空白上下文开始，连续性要靠在提示词里重建。任务一旦跨越多个会话、涉及中断与恢复，这种方式就会崩溃。

外部化的记忆系统把这个负担转移出去。论文将Agent的记忆需求细分为四类：当前任务的工作上下文、历史运行的情节经验、抽象的语义知识，以及针对特定用户的个性化记忆。每类记忆有不同的时效性和检索需求，需要分层管理。

关键洞察在于：外部化记忆的价值不在于存了多少，而在于能否把"需要从参数中回忆"的任务，变成"从外部结构中识别和检索"的任务。检索质量比存储容量更重要。

技能（Skills）：把程序性专长外部化

模型调用工具是一回事，知道"面对这类任务该按什么流程走"是另一回事。论文把后者定义为技能——它不是孤立的动作接口，而是包含操作流程、决策启发规则和规范约束的可复用能力包。

技能外部化的演化路径清晰：先是稳定的原子工具调用，再是大规模工具选择，最终到达"把如何完成一类任务的专长打包为可复用制品"这一阶段。现在工程实践中已经出现的SKILL.md、AGENTS.md等指令文件，就是这种外部化的具体形态。Anthropic的Claude Code中，技能系统还支持"渐进式披露"——先只暴露技能名称，只有在任务需要时才加载完整的执行细节，避免上下文过载。

技能的本质是：把每次运行都要从零重新"发明"流程这件事，变成从外部加载、识别、适配和执行已有流程。模型从即兴发挥者，变成了规程的解读者和执行者。

协议（Protocols）：把交互结构外部化

没有协议，模型每次调用工具或与其他Agent协作，都要自行猜测消息格式、参数结构、权限边界和故障处理方式——这是一个隐藏的巨大认知负担，也是系统不稳定的主要来源。

论文梳理了当前主要协议家族：MCP负责标准化Agent与工具的发现和调用；A2A、ACP、ANP解决多Agent之间的任务委托与状态交换；A2UI和AG-UI规范Agent与用户界面之间的结构化交互；UCP、AP2等领域协议则承载了商业流程中的权限和审计需求。

协议外部化的核心价值是：把"靠模型推断格式和权限"的脆弱逻辑，变成"遵循显式契约"的可治理执行。

Harness：不是第四种外部化，而是让前三种协同运作的运行时

光有独立的记忆、技能和协议还不够——它们需要一个协调层来让它们共同工作。论文把这个层称为Harness，可以理解为"执行框架"或"智能体运行时"。

Harness并不是一种新的外部化形式，它是承载前三者并使其可靠运转的运行环境。它负责：

• 控制Agent循环：明确最大步骤数、递归深度、资源上限，防止无限循环或成本失控
• 执行隔离：通过沙箱机制限制Agent可以读写的环境范围，保证可回滚、可审计
• 人工审批节点：为高风险操作设置可配置的审批门，自主度变成可调参数而非二元开关
• 可观测性：结构化记录每次模型调用、工具调用、记忆读写，既为调试服务，也为后续技能迭代提供证据
• 上下文预算管理：统一调度记忆检索、技能加载和协议描述对有限上下文窗口的竞争

OpenAI的Codex和Anthropic的Claude Code尽管产品形态和技术路线不同，却在Harness设计上高度收敛——论文认为这本身就是一个信号，说明这些设计维度是外部化Agent的结构性需求，而非偶然的工程选择。

这意味着什么：竞争维度正在迁移

从"权重层"到"上下文层"再到"Harness层"，这条路径描述了一个明确的趋势：AI Agent的核心竞争力，越来越不只是模型参数本身，而是围绕模型构建的认知基础设施质量。

这带来几个值得关注的推论：

其一，参数化能力与外部化能力之间的边界不是固定的。模型变得更强，可以把某些外部化的负担重新收回内部；但更丰富的Harness也会对模型提出新要求——配合权限检查、遵循分阶段上下文注入、响应结构化约束。这个边界会持续双向移动。

其二，评测方式需要升级。当前主流基准测试以模型为中心，但如果Agent的大量能力来自Harness设计，而非模型权重，那么好的评测必须把外部化基础设施纳入视野，而不是在相同Harness下做单纯的模型对比。

其三，安全和治理有了新的着力点。论文指出，与其依赖对模型行为的概率塑造（如RLHF），不如在协议和Harness层面构建确定性约束——它们是可检查、可审计、可回滚的。这在高风险部署场景中具有实质性优势。

悬而未决的问题

论文也诚实地指出了几个尚未解决的挑战。自动化技能蒸馏（从历史轨迹中提炼可复用流程）目前仍依赖大量人工干预；多个Agent共享外部化状态时的读写权限、冲突解决和访问配额管理，还缺乏成熟方案；多模态记忆和技能的设计假设与纯文本场景有本质差异，尚待系统性探索。

更深层的挑战是评估本身：如何衡量"外部化做得好"这件事？如何分离模型贡献和基础设施贡献？这不仅是学术问题，也是工程实践中分配优化资源时必须面对的判断。

把这篇综述放在一个更长的时间尺度上看，它做的事情其实很朴素：它说，智能不是存在于某个孤立的主体之内的，而是分布在主体与它所处的认知环境之间的。对于人类，这个环境是语言、文字、制度和工具；对于LLM Agent，这个环境正在快速成形——记忆、技能、协议，以及把它们协调起来的Harness。

更好的Agent，不只是更强的推理引擎，而是更好组织的认知系统。 这句话，可能比任何一个基准测试分数都更值得记住。