論文要約：LLM エージェントにおける外部化（Externalization）

タイトル: Externalization in LLM Agents: A Unified Review of Memory, Skills, Protocols and Harness Engineering
著者: Chenyu Zhou ら（上海交通大学、OPPO、カーネギーメロン大学など）
日付: 2026 年 4 月（arXiv 公開）

1. 背景と問題提起

大規模言語モデル（LLM）に基づくエージェントの構築は、モデルの重み（パラメータ）そのものを変更するよりも、モデルの周囲のランタイム環境を再編成することで進歩している。従来のシステムでは、モデルに内部で記憶や推論を担わせることが期待されていたが、実際には以下の 3 つの根本的なミスマッチが存在する。

1. 連続性の欠如: 有限なコンテキストウィンドウとセッションごとのリセットにより、長期にわたるタスクの継続性が保てない。
2. 手順のばらつき: 複雑な多段階のプロセスを毎回ゼロから再構築しようとするため、実行の安定性や再現性に欠ける。
3. 協調の脆さ: ツールや他のエージェントとの対話が、自由形式のプロンプトに依存しており、構造化された契約がないため、誤動作やセキュリティリスクが生じやすい。

これらの課題に対し、単にモデルを大きくするだけでなく、**「外部化（Externalization）」**という設計原理によって、認知の負荷をモデル内部から外部の構造化されたインフラへ移行させることが、信頼性のあるエージェントを実現する鍵であると論文は主張する。

2. 方法論と理論的枠組み

本論文は、ドナルド・ノーマン（Donald A. Norman）の**「認知的人工物（Cognitive Artifacts）」**の概念を理論的基盤としている。

• 核となる仮説: 外部の道具（人工物）は、人間の能力を単純に増幅するのではなく、「タスクそのものを変容させる」。
  • 例：買い物リストは記憶容量を増やすのではなく、「想起（Recall）」という困難なタスクを「認識（Recognition）」という容易なタスクに変える。
• LLM エージェントへの適用: LLM エージェントも同様に、モデル内部の計算から、永続的・検査可能・再利用可能な外部構造へと認知負荷を移行させることで、タスクの表現形式を変換し、信頼性を高める。

論文は、この外部化プロセスを以下の 4 つの主要な構成要素（モジュール）と、それらを統合する「ハーネス（Harness）」という視点で体系的にレビューする。

3. 主要な貢献と技術的詳細

3.1 外部化された 3 つの次元

論文は、外部化を 3 つの独立しながらも相互に結合する次元として定義する。

A. 外部化された状態：メモリ（Memory）

• 役割: 時間を超えたエージェントの状態（State）を外部化する。
• 変換: 「内部からの想起」から「外部ストアからの検索・認識」へ。
• 構成要素:
  • 作業コンテキスト: 現在のタスクの中間状態（ファイル、変数、仮説）。
  • エピソード的経験: 過去の試行、失敗、成功の記録（Reflexion など）。
  • 意味的知識: ドメイン固有の事実や一般的なヒューリスティック（RAG 等）。
  • パーソナライズドメモリ: ユーザー固有の好みや習慣。
• アーキテクチャの進化: 単一のコンテキスト → 検索付きコンテキスト → 階層化メモリ（OS 的なホット/コールドスワップ） → 適応型メモリ（RL 等による動的最適化）。

B. 外部化された専門知識：スキル（Skills）

• 役割: 手続き的な専門知識（Procedural Expertise）を外部化する。
• 変換: 「その場しのぎの生成（Improvised Generation）」から「事前検証済みコンポーネントの構成（Composition）」へ。
• 構成要素:
  • 操作手順: 複雑なタスクをステップ、依存関係、停止条件に分解した骨格。
  • 意思決定ヒューリスティック: 分岐点でのデフォルト選択やエスカレーションルール。
  • 規範的制約: 実行の安全性やコンプライアンスに関する条件。
• 進化: 原子的操作の呼び出し → 大規模なツール選択 → パッケージ化された専門知識（Skill as Packaged Expertise）。
• ライフサイクル: 作成（Authoring）→ 蒸留（Distillation）→ 発見（Discovery）→ 構成（Composition）。

C. 外部化された相互作用：プロトコル（Protocols）

• 役割: 相互作用の構造を外部化する。
• 変換: 「場当たり的な調整（Ad-hoc Coordination）」から「管理された契約（Governed Contracts）」へ。
• 構成要素:
  • 呼び出し文法: ツール呼び出しや API 要求の構造化された形式（MCP など）。
  • ライフサイクル意味論: ステート遷移、完了・失敗の定義。
  • 権限と信頼境界: 誰が何を実行できるかの明示的なルール。
  • 発見メタデータ: 利用可能な機能の登録と検索。
• 種類: エージェント - ツール、エージェント - エージェント、エージェント - ユーザー、ドメイン固有プロトコル（決済、商取引など）。

3.2 統合レイヤー：ハーネスエンジニアリング（Harness Engineering）

上記 3 つのモジュールを単独で動作させるのではなく、統合的に管理する「ハーネス」が中心的な役割を果たす。

• 定義: モデルを囲み、外部化されたモジュール（メモリ、スキル、プロトコル）を調整し、実行を制御するランタイム環境。
• 6 つの分析次元:
  1. エージェントループと制御フロー: 停止条件、再帰制限、リソース制約の管理。
  2. サンドボックスと実行隔離: 副作用の制限と再現性の確保。
  3. 人間の監督と承認ゲート: 重要なアクションにおける人間の介入ポイント。
  4. 観測可能性と構造化フィードバック: ログ、トレース、メトリクスによるデバッグと学習。
  5. 設定、権限、ポリシーエンコーディング: 実行ロジックとポリシーの分離。
  6. コンテキスト予算管理: 限られたトークン予算をメモリ、スキル、プロトコル間で動的に配分。

4. 結果と分析

• パラメータ vs 外部化のトレードオフ:
  • パラメータ内: 言語理解、一般的な推論、常識など、更新頻度が低く、高速な推論が必要な部分。
  • 外部化: 頻繁に更新される知識（API、組織構造）、再利用可能な手順、監査やガバナンスが重要な部分。
  • 最適化は、モデルの能力向上と外部インフラの成熟度に応じて動的に変化する。
• モジュール間の相互作用:
  • メモリはスキルの蒸留（学習）の根拠となり、スキルはプロトコルを通じて実行され、その結果が再びメモリに記録される。このフィードバックループがエージェントの能力進化を加速させる。
• 失敗モードの分析:
  • メモリ：古くなった情報の提示、抽象化の過不足。
  • スキル：文脈との不一致、セキュリティリスク（プロンプトインジェクション）。
  • プロトコル：構造化された出力の欠如、権限の誤認。

5. 将来の展望と意義

• 自己進化型ハーネス: ハーネス自体の設定やポリシーをエージェントが自律的に修正・最適化する方向性。
• 具現化された外部化（Embodied Externalization）: ロボティクス分野における「大脳（計画・LLM）」と「小脳（実行・VLA モデル）」の分離は、デジタルエージェントの外部化論理と完全に一致する。
• 共有インフラ: 個別のエージェントから、共有メモリ、共有スキル、共有プロトコルを持つエコシステムへ移行する。
• 評価の再定義: 単なるタスク完了率だけでなく、外部化の品質（転送性、保守性、回復力、コンテキスト効率、ガバナンス）を測定する新しいベンチマークが必要。

6. 結論

本論文は、LLM エージェントの進歩は「より大きなモデル」の追求だけでなく、「より優れた外部認知インフラ」の構築にあると結論づける。
外部化は、単なるエンジニアリングの工夫ではなく、**「タスクの表現形式を変容させる」**という根本的な設計原理である。メモリ、スキル、プロトコル、そしてそれらを統合するハーネスは、LLM が持つ不確実性を補完し、信頼性のある自律的なエージェントを実現するための不可欠なシステムレベルの枠組みを提供する。今後の研究は、モデルと外部インフラの共進化、およびそのガバナンスに焦点を当てるべきである。