APUS AI 开源 Reflex Agent：用决策模型驱动「循环工作」的个人智能体

10 月 13 日，APUS AI（麒麟合盛网络技术股份有限公司）正式开源个人智能体产品 Reflex Agent，从「决策机制」与「记忆体系」两个维度，重新探索智能体的执行效率与长周期任务承载能力。该项目基于 APUS 自研的开源决策模型 Reflex 构建，采用 MIT 协议开放权重，并同步提供桌面端、Web 端与 SDK 版本。

为什么需要「决策模型」驱动智能体

当 AI 智能体从单次问答工具，转向承接长周期、多步骤的复杂任务时，三个指标变得关键：响应效率、记忆连续性、上下文承载能力。传统做法依赖代码和提示词来组织工作流程，控制逻辑（调用哪个工具、是否升级、如何分类输入）往往写死在程序里。

Reflex Agent 的思路不同：它把核心控制逻辑交给决策模型来驱动。在它的架构中，模型路由、技能选择、完成审查与执行监督等控制环节由 Reflex 决策模型完成；Harness 层负责组织工作流程、调度工具、跟踪状态并接收执行反馈；工具层承担具体操作。行动结果会重新进入决策环节，推动智能体进入下一轮工作，形成「决策—执行—反馈—再决策」的闭环。APUS 将这一模式定义为 Loop Working（循环工作）机制。

在这种模式下，模型不仅承担内容生成，还负责驱动整个工作流程的持续运行——真正由「判断职能」按需调用其他大模型、工具与数据资源。

实测：复杂任务响应快约 3 倍

据 APUS AI 实验室实测，在需要连续操作、频繁调用工具的复杂任务场景中，Reflex Agent 的响应速度较主流同类产品提升约 3 倍，能够有效缩短多步骤任务的等待时间，优化整体执行体验。其技术核心正是重新划分了模型与 Harness 的职责边界：让擅长判断的模型做判断，让擅长执行的基础设施做执行。

Continuum 记忆引擎：对抗上下文丢失

如果说决策效率解决的是「如何更快执行」，那么长周期任务的上下文承载，决定的是「能否稳定做完」。

任务执行越久，积累的信息越多——用户的原始需求、过程中的限制条件、已完成的步骤、工具返回的结果、此前的判断依据——都会影响后续决策的准确性。传统方案通常通过压缩历史记录、生成摘要来控制输入长度，虽能减少体量，却可能造成细节丢失；一旦任务需要回溯特定条件或核对原始信息，摘要中缺失的内容就会成为执行障碍。

Reflex Agent 搭载的 Continuum 记忆引擎，通过「无限记忆、无损记忆、无损输入」三大机制，使智能体能够持续保留全流程任务信息，并在需要时把相关历史内容重新引入当前决策上下文。任务执行中积累的信息因此能持续服务于后续判断，为循环工作模式提供稳定的记忆支撑。

开源与共建

Reflex Agent 以 MIT 协议开源，同步开放桌面端、Web 端与 SDK，降低开发者接入门槛。APUS AI 方面表示，期待通过真实场景的检验与开发者共建，持续完善智能体的工作能力，推动个人智能体从「单次响应」向「循环工作」模式演进。

在 2026 年被称为「智能体元年」的背景下，Reflex Agent 给出的解法——用轻量决策模型接管控制流、用无损记忆引擎承载长上下文——为开源社区提供了一条有别于「堆更大模型」的务实路径。

本文据环球网资讯报道整理。