来源：环球网
当AI智能体逐渐从单次问答工具转向承接长周期复杂任务，响应效率、记忆连续性与上下文承载能力，开始成为衡量其实用价值的核心指标。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，探索智能体执行效率的提升路径。
Reflex Agent项目展示
据悉，此次开源的Reflex Agent基于APUS AI自研的开源决策模型Reflex构建Harness控制框架，尝试由决策模型驱动智能体的核心控制逻辑，而非仅依靠代码和提示词组织工作流程。
在这一架构中，模型路由、技能选择、完成审查和执行监督等控制环节由Reflex模型完成，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”的循环工作模式，APUS AI将其定义为Loop Working机制。在该模式下，模型不仅承担内容生成的功能，还负责驱动智能体工作流程的持续运行。
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，有助于缩短多步骤任务的等待时间，优化整体执行体验。这一技术路径的核心，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，从而提升智能体的工作组织效率。
如果说决策效率的优化解决了智能体“如何更快执行”的问题，那么长周期任务的上下文承载能力，则关系到智能体能否持续稳定地完成工作。任务执行时间越长，积累的信息就越多——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，以及此前判断的依据，都会影响后续决策的准确性。
传统的上下文处理方案，往往通过压缩历史记录、生成摘要来控制内容长度，这种方式虽能减少输入体量，但也可能造成细节丢失。当任务需要回溯特定条件、核对原始信息或修正此前判断时，摘要中缺失的信息可能成为执行障碍。
Reflex Agent搭载的Continuum记忆引擎，通过无限记忆、无损记忆和无损输入机制，使智能体能够持续保留全流程任务信息，并在需要时将相关历史内容引入当前决策上下文。这样一来，任务执行过程中积累的信息可以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。
从回答问题到持续完成任务，智能体的进化不仅需要更强的模型能力，也需要支撑长期工作的决策与记忆机制。Reflex Agent采用MIT协议开源，同步提供桌面端、Web端和SDK版本。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。（心月）
