如何理解 Agent“薄框架、厚技能”设计准则中的记忆缺口

一、先回到定义：什么是“薄框架、厚技能”

“Thin Harness, Fat Skills”是一种面向智能体（Agent）的架构设计准则。其核心主张是：调度框架应保持轻量、稳定、通用，而具体能力应沉淀在可复用、可扩展的技能模块中。

• Thin Harness，即“薄框架”：指 Agent 的调度层、决策层、控制循环不应承载过多业务逻辑。它负责接收任务、规划路径、调用技能、汇总结果，但不对具体技能内部如何实现做过深约束。
• Fat Skills，即“厚技能”：指将具体能力封装为相对独立的技能单元，例如查询数据库、生成报表、执行特定计算、调用外部接口、解析某类文档等。技能越丰富，Agent 可完成的任务类型越多。

这个准则的价值在于解耦。框架稳定，技能可扩展，团队可以并行开发不同技能，Agent 的能力边界也可以通过增加技能数量来扩大。从工程角度看，这是一种非常合理的模块化策略。

但这里有一个常被忽略的问题：技能的“厚”如果只体现在数量上，并不能自然带来 Agent 行为的优化。一个拥有 100 个技能的 Agent，与一个拥有 10 个技能的 Agent，差别可能只是“能做更多种类的事”，而不是“同一件事做得更好”。

二、薄框架与厚技能解决了什么问题

在复杂系统中，控制逻辑与执行逻辑的耦合往往会带来三类问题：

1. 框架随能力增长而膨胀：每新增一种能力，就要修改调度逻辑，最后框架变成巨大而脆弱的控制中心。
2. 能力无法独立演进：不同能力之间互相牵制，调整一个功能可能影响其他功能的稳定运行。
3. 复用性差：相似能力分散在不同任务流中，无法沉淀为通用模块。

薄框架与厚技能的分离，正好回应了这些痛点。框架只关心“现在该执行哪个技能、如何传递上下文、如何校验结果”，而技能内部可以单独维护、测试和替换。这样既降低了调度层的复杂度，又提升了能力层的可扩展性。

因此，这一准则在 Agent 架构设计中有明确价值。但它描述的只是静态结构——框架怎么搭、技能怎么放，并未说明系统如何在持续使用中变得“更聪明”。

三、技能不遗忘，但也不提炼

技能的一个显著特征是高确定性。同一个输入，同一个技能，理想情况下应产生稳定一致的输出。这种确定性对可靠性非常重要，尤其是当 Agent 被用于自动化处理关键任务时，可预测性本身就是一种工程保障。

但需要将“确定性”与“成长性”区分开。

想象一个 Agent 每天处理相似格式的日志数据。技能每次都会执行相同的解析、清洗和写入动作。第 1 次执行和第 100 次执行，如果输入结构与输出目标相同，那么结果模式也基本相同。技能没有“记住”什么，也没有从这 100 次执行中形成新的倾向。

人的记忆则不同。人不需要记住每次骑车的所有动作细节，但通过反复练习，人会“会骑车”。这种“会”，是大量经验被压缩之后形成的倾向与直觉。遗忘在这个过程中不是缺陷，而是筛选机制：保留重要的、抑制噪音、形成模式。

技能不会遗忘，因为它不筛选；技能也不会成长，因为它不积累。它只是重复调用。

这就是“薄框架、厚技能”准则中隐含的缺口：它描述了 Agent 的骨架和肌肉，却缺少连接骨架与肌肉、让动作一次比一次更协调的神经层。

四、记忆层补上的是什么

如果在 Agent 的三层结构中引入记忆层，可以更清楚地理解它的作用：

• 框架层：相当于骨架，决定整体结构、任务编排和运动方向；
• 技能层：相当于肌肉，提供执行具体动作的能力；
• 记忆层：相当于神经系统，不在表面可见，却让每一次动作比上一次更精准。

没有记忆层，技能与框架之间只是调用与被调用的关系。框架每次按照既定规则选择技能，技能每次按照既定逻辑执行，两者之间没有“上次这样做结果如何”的信息回流。

引入记忆层后，Agent 在每次任务结束后，可以提取三类信息：

1. 用户偏好：例如该用户倾向于简短回答，还是详细解释；喜欢表格式结果，还是叙述式结论；
2. 场景特征：例如某类输入容易在第三步出错，某个数据源在下班时间延迟较高；
3. 路径比较：例如从 A 到 B 有两条执行路径，上一次路径一比路径二快约 30%。

这些信息不形成新的技能，而是在已有技能上生长出“经验微调”。技能还是那个技能，但它被调用时的参数选择、结果排版、异常处理方式可能发生变化。系统整体行为因此有了方向性的改善。

五、确定性输出与渐进优化的区别

有一种观点认为，“永不遗忘”是技能的优点。这个判断本身没有错，但需要区分两种不同的系统目标：

• 面向可靠性的系统：强调同样输入给出同样输出，适合流程固定、规则明确、结果需要审计的场景；
• 面向适应性的系统：强调同一场景下比上次做得更好，适合用户偏好变化、环境非平稳、反馈可以持续获得的场景。

技能层更接近前者，记忆层更接近后者。

两者并不冲突。一个设计良好的 Agent，可以同时具备确定性与适应性：技能层保持稳定可预期，记忆层在此基础上做有边界的参数化调整。确定性保证系统不会跑偏，适应性保证系统能够变好。

因此，讨论“薄框架、厚技能”时，不应将其视为完整答案，而应将其视为一种静态结构基础。真正让 Agent 从“工具”走向“能积累的助手”的，往往不是更多的技能数量，而是与技能层并列的记忆与反馈机制。

六、记忆层的常见形态与技术方向

记忆层并不是一个单一模块，而可以由多种形态组成：

记忆类型	作用	示例
短期上下文	保持当前任务的状态与中间结果	当前会话中的变量、临时文件、任务队列
长期偏好	跨会话保留用户习惯	回答风格、格式偏好、常用参数
经验知识	从历史任务中归纳出模式	某类任务的易错点、更优路径
反馈记录	记录行为结果与外部评价	成功率、耗时、用户显式反馈

在实现层面，记忆层通常依赖通用基础设施能力，例如键值存储、对象存储、向量检索、日志系统、消息队列等。具体采用何种方案，取决于记忆的访问模式、数据规模和实时性要求。

需要特别注意的是，记忆不等于“记录一切”。如果一个 Agent 试图保留所有执行细节，反而会带来两个问题：一是存储与检索成本大幅增加；二是大量低价值信息会淹没真正有用的模式。记忆层同样需要“遗忘”或“压缩”，它必须进行筛选、抽象和衰减。

这也再次说明，“永不遗忘”在技能层或许成立，但在记忆层并不应是目标。记忆层的核心价值在于提炼，而不是保存。

七、适用边界与使用注意事项

“薄框架、厚技能”作为架构准则，仍适用于大多数以任务执行为主的 Agent 场景。尤其在以下情况下，表现出较好的工程实用性：

• 任务类型相对清晰，可以拆分为多个独立技能；
• 团队需要并行开发和维护不同能力模块；
• 系统的调用链需要保持可观测、可测试和可替换。

但在以下场景中，仅靠薄框架和厚技能是不够的：

• 用户偏好显著影响输出质量，需要跨会话保持一致；
• 任务环境持续变化，同一场景的“最佳做法”不是固定不变的；
• 系统需要从历史结果中学习，逐步降低错误率或提升效率。

在这些情况下，应在架构早期就考虑记忆与反馈层的位置，而不是等到技能数量增加后再补充。补一个记忆层，远比将经验散布在数百个技能中要容易。

同时，引入记忆层也会带来新的工程挑战：记忆如何更新、如何失效、如何与技能版本兼容、如何保护用户隐私。架构设计者需要在这些问题上给出明确策略。

八、总结

“Thin Harness, Fat Skills”是一条有价值的结构原则：它让调度更稳定，让能力更容易扩展。但它描述的是静态骨架，并不自动带来行为的进化。

技能是确定性的执行单元，它不遗忘，但也不提炼；框架是控制性的调度单元，它不积累，也不成长。真正让 Agent 从“能执行”走向“会改进”的，是独立于骨架与肌肉之外的记忆层。

因此，理解这条设计准则的关键，不是停留在“薄”和“厚”的比例分配，而是看到它未覆盖的那一层。一个完整的 Agent 架构，不仅需要骨骼和肌肉，还需要那条让它们每次配合得更好的神经通路。