这篇推文深度解读了一篇综述论文，阐述了 AI Agent 能力发展的三个阶段，并提出了核心观点：智能能力的关键正从模型参数转向模型与外部基础设施的协议。
📝 详细摘要
这篇推文是对一篇题为《CPU 与主板的隐喻》的 AI 综述论文的深度解读。作者首先回顾了过去几年 AI 发展的困境：单纯依赖 Scaling Law 增大模型参数（“靠体重解决问题”）遇到了瓶颈，模型在记忆更新、会话持久性、工具使用和协作方面存在根本性限制。这促使了研究方向转向为模型添加“外挂”，如记忆库、技能库和协议层（如 MCP、Claude Code），使 Agent 真正可用。
作者引用了论文的核心概念“外化”（externalization），并将其类比为人类认知发展的历史进程：从依赖大脑记忆，到发明语言、文字、印刷术和计算机，每一步都是将认知负担转移到外部。论文将 LLM Agent 的发展划分为三个阶段：1）权重（Weights）时代，能力全在参数内；2）上下文（Context）时代，通过 Prompt 工程和 RAG 临时提供信息；3）约束框架（Harness）时代，构建包含持久化记忆、技能、协议和执行环境的完整运行时系统。
推文提炼了论文的核心洞见：“能力不在模型里，在模型与环境的协议中”。这意味着 AI 的能力应被重新定义为“模型 + 外部基础设施”的联合属性，而非模型参数的单一属性。这一视角转变将影响评测基准、安全性、行业竞争以及对“通用智能”的理解，标志着从“模型中心”到“系统中心”的本体论转向。
📊 文章信息
AI 初评：91
来源：李继刚(@lijigang_com)
作者：李继刚
分类：人工智能
语言：中文
阅读时间：9 分钟
字数：2196
标签： AI Agent, 认知外化, Scaling Law, MCP, 系统架构