APUS 开源 Reflex Agent：用决策模型驱动 Harness，主打循环工作与无损记忆

AI Agent 这一年卷得厉害：卷模型的多，卷「怎么干活」的少。10 月 13 日，APUS AI 开源了它的个人智能体 Reflex Agent，选的正是后面这条路。

项目采用 MIT 协议，提供桌面端、Web 和 SDK，代码上架了 GitHub，决策模型也放上了 Hugging Face，开发者可以直接复现和扩展。

让模型自己当「工头」

大多数 Agent 的控制流程靠代码和提示词组织。Reflex Agent 换了个思路：用自研的 Reflex 决策模型驱动 Harness 的核心控制逻辑——模型路由、技能选择、结果审查、执行监督，都由模型来判断，Harness 只负责组织流程、调度工具、跟踪状态。

每次行动的结果会重新进入决策环节，形成「决策—执行—反馈—再决策」的循环，官方把它称为 Loop Working。按厂商实验室的实测数据，在需要连续操作、频繁调用工具的复杂任务里，响应速度最快达到 Claude Code、Codex 等主流 Agent 的 3 倍——这个数字出自自家测试，听听就好，但思路值得看。

记忆不压缩，靠无损

长任务的另一个痛点是上下文。传统做法是压缩历史、生成摘要，省了 token，也丢了细节。Reflex Agent 搭载的 Continuum 记忆引擎走另一条路：无限记忆持续积累、无损记忆保留原始内容、无损输入让历史信息以原样参与决策。

所谓「无限上下文」并不是突破单次调用的窗口上限，而是让任务的记忆周期不再被窗口卡死。这套想法能不能在真实任务里立住，得看开源社区接下来怎么用——不过方向是对的：Agent 要从答题机器变成干活的，决策和记忆这两块短板，迟早都得补。

业内对 Agent 工程的反思也在同步发生，此前就有研究指出AI 编码智能体写出更多代码，却没有更多软件——效率之外，怎么把活干对，才是下一程。