19 位研究者综述 LLM Agent：哪些能力该内化进模型，哪些交给 Harness
它给出一条可操作的判断标准：稳定可复用的能力内化进模型，实时可验证的能力外化给 harness，据此减少 Agent 的过度搜索与无据推理。
北航、南科大、复旦等 8 家机构 19 位研究者联合发布 Theory of Agent 综述，梳理约 600 项研究，用「内化」（把稳定知识写进模型参数）与「外化」（把实时信息、精确计算、可验证执行交给外部 harness）这一统一视角，讨论 LLM Agent 的学习、对齐、演化与评测。
正文摘录
.jpg)  北航、南方科技大学、复旦大学、北京理工大学、爱丁堡大学等 8 家机构的 19 位研究者联合完成 Theory of Agent 综述，讨论模型内部与外部 harness 应如何分配能力，并据此梳理 LLM Agent 的学习、对齐、演化与评测。 一个本可直接推理的问题，Agent 却连续搜索网页、调用多个工具。任务虽然完成了，时间和费用也多花了不少。另一种情况是，问题需要实时信息，Agent 却一直在模型内部推理，最后给出流畅但没有依据的答案。 前一种情况属于过度行动（overacting）；后一种往往同时涉及过度思考（overthinking）和行动不足（underacting）。要避免这类决策失误，Agent 需要判断哪些问题可以自行解决，哪些必须向外部世界寻求信息或执行能力。 这篇综述梳理了约 600 项近期研究，用内化（internalization）与外化（externalization）这一统一视角，分析 Agent 从设计到学习、对齐、演化和评测的全过程。