APUS开源Reflex Agent，把智能体的决策交给一个小模型

10月13日，APUS AI宣布把自家的个人智能体Reflex Agent开源出来。这家公司还有一个中文名，叫麒麟合盛，此前更多以出海工具类产品为人所知。这次放出来的东西是一套完整的智能体运行框架，采用MIT协议，同时提供桌面端、网页端和SDK三种形态。

它的做法和当下主流方案有一处明显分歧。常见的智能体框架，核心控制逻辑主要靠在代码里写死流程、再用提示词把模型套进这个流程，模型实质上是个被调用的执行器。Reflex Agent反过来，让一个专门训练过的决策模型Reflex去管模型路由、挑技能、审结果、盯执行，控制逻辑本身由模型驱动，再通过决策、执行、反馈、再决策的循环把任务往前推。APUS把这种机制叫循环工作。

性能方面的数字来自厂商自测。APUS AI实验室称，在相关测试场景里，Reflex Agent的响应速度最快能到主流智能体的3倍，对比对象是Claude Code和Codex。这个倍数需要按厂商口径来读——测试场景、任务类型和基线配置都没有完整公开，也没有第三方复现记录，把它当作一个方向性的信号比当作可比的横评更稳妥。

真正有差异的是记忆这块的处理。框架搭配了一个叫Continuum的记忆引擎，官方列出的三条是无限记忆、无损记忆和无损输入：任务信息持续积累，原始内容及其关联不做有损压缩，相关的历史信息尽量以原始文本参与后续决策。落到实际效果上，智能体在跨天、跨周的长任务里可以按需检索和调用历史信息，而不是只能依赖层层压缩的摘要。

这里有个容易被夸大的词。APUS把上述能力称为无限上下文，但官方自己也做了限定：这不是突破了单次模型调用的输入长度上限，而是让智能体的记忆和任务周期不再完全受制于单次窗口。这两件事差别很大，前者是模型能力，后者是工程架构。框架层面的开源，能给的恰恰是后者。

放到开源智能体这条赛道里看，这个项目的变量在于成本结构。把决策交给一个体量更小的专用模型，理论上比每一步都调用顶级大模型更省；代价是决策模型自身的判断上限，会成为整个智能体的天花板——路选错了，后面的执行再快也没用。这套框架能不能被社区接住，大概取决于两件事：决策模型在复杂任务上的稳定性，以及长周期记忆带来的检索开销会不会把省下来的成本又吃掉。