APUS AI开源Reflex Agent：决策模型驱动+Continuum记忆引擎，MIT协议开放

一、事件速览：10月13日，一个把决策交给模型的开源Agent

据品玩报道，2026年10月13日，APUS AI（麒麟合盛网络技术股份有限公司）宣布开源其Personal Agent产品Reflex Agent，采用MIT协议开放源代码，同时提供桌面端、Web和SDK三种形态。与产品一同开放的，还有其自研开源决策模型Reflex，模型文件同步上架HuggingFace。

如果要一句话点题：这是国内团队做的一个把”决策”本身交给模型的开源Agent。

在Agent产品密集发布的当下，Reflex Agent值得关注的原因不在于”又多了一个Agent”，而在于它的组织方式：它没有沿用业界主流的”代码+提示词”框架思路，而是用一个专门的开源决策模型来驱动整个Agent的运行——模型路由交给模型判断，技能选择交给模型判断，结果审查和执行监督也交给模型判断。对于长期观察Agent架构演进的人来说，这是一个结构上有所不同的样本。

二、Reflex Agent是什么：Personal Agent + 决策模型 + 记忆引擎

先看定位。Reflex Agent是一款Personal Agent（个人智能体）产品。按照APUS AI的表述，它的目标不是完成单一、一次性的任务，而是作为围绕用户个人目标持续工作的智能体存在。这个定位决定了它的两项核心技术配置——一个负责”想”的决策模型，和一个负责”记”的记忆引擎。

技术构成上，Reflex Agent由三部分组成：

• Harness（Agent骨架）：基于自研开源决策模型Reflex构建，而不是基于代码和提示词组织；
• Continuum记忆引擎：负责任务信息的持续积累、无损保留与按需调用；
• 三种交付形态：桌面端、Web和SDK，覆盖从普通用户到开发者的不同使用场景。

开源位置方面，项目托管在GitHub仓库APUS-AI-Lab/APUS-Reflex-Agent，决策模型Reflex则开源在HuggingFace的apus-ailab/APUS-Reflex。框架和模型同时开放，这在开源Agent项目里并不多见——不少项目只开放框架层，模型权重并不公开。

三、最大差异点：决策模型驱动的Harness

理解Reflex Agent的差异点，需要先解释Harness这个概念。在Agent语境中，Harness指的是Agent的”骨架”——控制循环、工具调度、状态管理这些把大模型能力组织成可用产品的部分。模型负责生成内容和做出判断，Harness负责让这些判断在真实的执行环境中落地：什么时候开始一轮循环、调用哪个工具、执行到哪一步、状态如何保存。

主流Agent方案（包括Claude Code、Codex这类产品）的Harness，主要依赖代码和提示词来组织：什么条件下路由到哪个模型、什么情况下选择哪个技能、如何审查执行结果，大多由预先写好的代码逻辑和提示词规则决定。工程师把决策逻辑”翻译”成代码，模型在框架划定的轨道内运行。

Reflex Agent的做法与此不同：它由决策模型Reflex承担模型路由、技能选择、结果审查和执行监督等决策工作。也就是说，这些原本写死在代码里或约定在提示词里的事情，被交给了一个专门为此构建的开源模型来判断。

这个变化是结构性的。在这套架构下，四个决策环节都由模型承担：

• 模型路由——决定当前步骤用哪个模型执行，而不是靠代码里的路由规则；
• 技能选择——决定调用什么能力和工具，而不是靠预置的分发逻辑；
• 结果审查——判断产出是否合格、是否需要重做；
• 执行监督——把控任务整体的推进方向。

换句话说，Agent的”大脑皮层”不再只有负责干活的主模型，还多了一个负责指挥调度的决策模型。决策逻辑从代码固化为模型能力，这是它与Claude Code、Codex等主流Agent在架构层面最核心的区别。

四、Loop Working：让任务在循环中向前

决策模型驱动是手段，目的是让任务真正”循环起来”。APUS AI把这套机制称为Loop Working（循环工作）：以“决策—执行—反馈—再决策”的循环，推动任务持续向前。

拆开看这个循环：决策模型完成一轮路由与技能选择，Agent执行相应动作，执行结果作为反馈进入下一轮判断，决策模型再根据反馈调整方向——如此往复，直到用户目标达成。决策模型在每一个环节都参与判断，循环因此能够自主修正，而不是依赖外部规则去兜底。

这里也藏着APUS AI对Agent的理解。传统对话式AI的典型局限是：模型回答完问题，交互即告结束。而APUS AI强调，Agent不只回答问题，更要围绕用户目标持续行动——在一次次循环中拆解任务、执行动作、根据反馈修正，直到目标完成。Reflex Agent的整个架构设计，都是为这个”持续行动”服务的。

五、Continuum记忆引擎：三大能力与”无限上下文”的准确含义

Continuum记忆引擎是这次发布中信息量最大的部分，也是Personal Agent定位能否成立的关键——一个要围绕用户目标持续行动的智能体，必须记得住中间过程。官方给出的能力描述有三条：

• 无限记忆：持续积累任务信息，记忆随任务周期不断增长；
• 无损记忆：保留原始内容及关联，而不是把历史压缩成摘要后存档；
• 无损输入：让相关历史信息尽可能以原始内容参与决策。

三条能力合起来看，指向的是同一个问题：长周期任务中的信息损耗。传统做法通常依赖压缩摘要——把历史对话和执行记录压缩成摘要，再塞回上下文窗口。这种方式的代价是细节丢失：摘要是近似的，被压缩掉的部分可能正是后续决策需要的关键信息。

Continuum的思路是按需检索和调用历史信息，减少对压缩摘要的依赖。历史信息以原始内容加关联的方式保留在记忆中，当任务推进到需要某段历史时，相关历史信息尽可能以原始内容参与决策，而不是以摘要形式”近似参与”。

关于官方提到的”真正的无限上下文”，这里需要做一个准确的澄清：

所谓”真正的无限上下文”，并非突破单次模型调用的输入长度限制，而是让Agent的记忆与任务周期不再完全受限于单次窗口。

换句话说：模型单次能”看”多少token，这一点没有变；变的是Agent在整个任务周期能”记住”什么、以及需要时能不能把相关内容”取回来”参与决策。这是记忆引擎层面的无限，不是模型输入长度层面的无限。

这个区分很重要。它意味着Continuum解决的是”任务越长、丢得越多”的问题，而不是让模型一口气读完无限长的输入。对使用者而言，理解这一点有助于对产品能力建立正确预期。

六、性能表现：官方自测口径，3倍响应速度

性能方面，据APUS AI实验室实测，在相关测试场景中，Reflex Agent的响应速度最快可达Claude Code、Codex等主流Agent的3倍。

需要写明的是：这一数字来自官方自测口径。具体的测试场景范围、任务负载、对比条件尚未全部公开，第三方复现数据尚待观察。对于性能宣传，合理的阅读方式是：把它作为官方给出的参考信号，而不是已验证的评测结论。性能到底如何，最终要看社区基于开源代码和开源模型做出的独立复现——这也是开源项目的价值所在：代码和模型都在，任何人都可以亲手验证。

七、开发者上手指南：地址、协议与三种形态怎么选

对于想上手的读者，两个入口都在：

• GitHub项目仓库：https://github.com/APUS-AI-Lab/APUS-Reflex-Agent
• HuggingFace决策模型：https://huggingface.co/apus-ailab/APUS-Reflex

协议层面，Reflex Agent采用MIT协议。这是开源协议中限制最少的一类：允许任何人自由使用、修改、再分发，包括商业用途。对个人开发者来说，可以放心改造和集成；对团队和企业来说，商用不存在协议障碍。代价与责任方面，MIT协议不提供担保，使用风险由使用者自行承担。

三种形态各有适用人群：

一个务实的建议：先通过桌面端或Web建立对产品的直观感受，再决定是否深入到SDK集成和仓库复现。决策模型驱动的Harness和Continuum记忆引擎的具体行为，只有跑过长任务才能体会。

八、横向视角：开源Agent的记忆方案走到了哪条岔路口

把Continuum放进更大的背景里看，会更有意思。目前主流开源Agent的记忆方案，大多走两条路：外部记忆文件——让Agent把重要信息写入本地记忆文件，下次会话时读取；对话摘要——把历史对话压缩成摘要，作为上下文的一部分传入模型。

这两条路线有一个共同点：信息在进入”记忆”时，往往要经历一次有损转换。要么被摘要压缩，要么被选择性记录——决定”记什么”的规则本身，也是一种有损过滤。

Reflex提供的”无损输入+决策模型检索”是另一条路线：记忆保留原始内容及关联，由决策模型按需检索，让相关历史信息以原始内容参与决策。理论上，这条路线保住了细节；但它的上限取决于两个变量：按需检索的召回质量——该取回的历史有没有取回、取对了没有；以及无损保留带来的存储与检索开销。

因此，这里需要给读者留出观察空间：Continuum的实际效果，需要长任务实测验证。记忆方案的价值从来不在宣传描述里，而在”任务跑了三天、记忆还能不能取对信息”这样的真实场景里。这一点，等社区的长任务实测多起来，答案会自然浮现。

九、收录理由与结语

从AI工具导航站的收录视角，Reflex Agent有四个收录理由：

• MIT协议——商用友好，是开源项目中最开放的一档，使用与集成的门槛低；
• 决策模型本身开源——不只是框架开源，承担核心决策的模型权重也放在了HuggingFace，可复现性高；
• 国内团队作品——APUS AI（麒麟合盛）在Agent架构方向上给出了自己的路线，而非沿用主流框架思路；
• Agent新品热度——决策模型驱动Harness是一个值得持续关注的架构方向，相关讨论和实测会陆续出现。

给两类读者的建议：对Agent架构感兴趣的开发者，可以直接clone仓库复现，重点观察决策模型如何完成模型路由、技能选择、结果审查与执行监督这四个环节，以及Continuum在长任务中的检索表现；普通用户，可以先从桌面端体验开始，感受Loop Working”决策—执行—反馈—再决策”的实际工作方式。

最后引用官方表态：此次开源是APUS AI探索Loop Working、构建Personal Agent的重要一步。“重要一步”的措辞本身也说明了定位——这是一个方向上的起点，而不是终点。架构是否成立、记忆是否可靠、性能是否如官方所述，都交给开源社区和时间去回答。AI工具导航会持续跟进这个项目的后续进展。