AI Agent 从单次问答走向长周期任务执行，卡在两道坎上：一是工具调用频繁时决策延迟高，二是任务拉长后历史信息超出上下文窗口、细节容易”失忆”。10月13日，APUS AI（麒麟合盛）开源个人智能体产品 Reflex Agent，给出了自己的解法——用专门的决策模型驱动执行框架，再靠无损记忆机制撑起长周期上下文。
决策模型做”控制中枢”：从提示词加代码，到Loop Working
当下主流 Agent 大多用”提示词+代码”搭建 Harness（执行框架）：每一步该交给哪个模型、任务做完没有，都要临时调用大模型来判断。模型每多想一步，用户就多等一步，高频工具调用场景下的延迟问题尤其明显。
Reflex Agent 换了一条路径：它基于 APUS 自研的开源决策模型 Reflex 构建 Harness，把模型路由、技能选择、完成审查、执行监督等控制环节交给决策模型，Harness 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。行动结果重新进入决策环节，推动 Agent 进入下一轮工作，形成”决策、执行、反馈、再决策”的循环——APUS 称之为 Loop Working 机制。
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 的响应速度最快可比 Claude Code、Codex 等主流同类产品提升约3倍。这条路径的重点不在于简单换一个更强的模型，而是重新划分模型与 Harness 的职责边界：由决策模型承担判断职能，并按需调用其他大模型、工具和数据资源干活。
Continuum记忆引擎：不靠压缩摘要，探索真正的”无限上下文”
长周期任务里，用户最初的需求、过程中的限制条件、已完成的步骤、工具返回的结果，都会影响后续决策。传统方案往往把旧对话压缩成摘要来控制上下文长度，省了输入却可能丢掉细节——当任务需要回溯原始条件时，摘要中缺失的信息就成了执行障碍。
Reflex Agent 搭载的 Continuum 记忆引擎用三层机制应对：无限记忆持续累积任务全量信息，为长周期任务提供完整记忆底座；无损记忆完整保存原始内容与关联关系，支持随时回溯任务细节和历史判断依据；无损输入则在需要时将相关历史内容以原始形态引入当前决策上下文，不做有损改写。Agent 不必把全部历史一次性塞进 prompt，而是按需检索相关记忆片段，原始信息直接参与决策。
需要说明的是，这里的”无限上下文”并非突破单次模型调用的输入长度限制，而是通过外部记忆机制让 Agent 的记忆与任务周期不再受限于单次窗口。两部分机制合在一起，AI 就能锁定用户目标、自动持续执行、自检修正，直到任务达成——这也是 APUS 把这种工作方式称为 Loop Working 的原因。
目前 Reflex Agent 已采用 MIT 协议开源，同步提供桌面端、Web 和 SDK，开发者可体验、复现并扩展。项目地址已在 GitHub（APUS-AI-Lab/APUS-Reflex-Agent）公开，决策模型 Reflex 也已在 Hugging Face 发布。在 Jev 等决策模型带火行业热度的背景下，APUS 选择把”调度决策能力剥离出来独立建模”作为差异化路线，能否在更多复杂业务场景中规模化落地，还需要开源社区持续验证。
© 版权声明
文章版权归作者所有，未经允许请勿转载。
