响应速度号称比 Claude Code 快 3 倍：APUS 开源 Personal Agent「Reflex Agent」

如果你用过 Claude Code 或 Codex，大概体验过那种「等它思考」的煎熬：一条任务链路里，模型要反复判断下一步该调用什么工具、该不该继续。现在，有一家国内团队想把这套逻辑反过来做——让一个专门的「决策模型」来指挥整个流程，而不是靠堆提示词。

一分钟速览

• APUS AI（麒麟合盛网络技术股份有限公司）宣布开源 Personal Agent 产品 Reflex Agent
• 基于自研开源决策模型 Reflex 构建 Harness，结合 Continuum 记忆引擎
• 由决策模型承担模型路由、技能选择、结果审查与执行监督等决策工作
• 采用「决策—执行—反馈—再决策」循环，官方称之为 Loop Working（循环工作）
• 据 APUS AI 实验室实测，相关场景响应速度最快可达 Claude Code、Codex 等主流 Agent 的 3 倍
• 以 MIT 协议开源，提供桌面端、Web 与 SDK

把「决策」从提示词里拿出来

10 月 13 日，APUS AI 宣布开源其 Personal Agent 产品 Reflex Agent。与传统方案主要依赖代码和提示词来组织 Harness（智能体的外挂框架）不同，Reflex Agent 把决策权交给了一个专门的决策模型 Reflex：由它承担模型路由、技能选择、结果审查和执行监督等工作，并通过「决策—执行—反馈—再决策」的循环推动任务持续向前。

APUS AI 把这一工作机制称为 Loop Working（循环工作），强调 Agent 不只是回答问题，更要围绕用户目标持续行动。这种设计的直观价值在于效率：当「下一步该干什么」由一个专门训练的小模型判断时，就不必每次都靠大模型「读完一长串提示词再想一遍」，从而减少不必要的推理开销。

「无限上下文」的真实含义

记忆能力是另一个重点。Reflex Agent 结合 Continuum 记忆引擎，通过「无限记忆」持续积累任务信息，做到无损保留原始内容及关联，并让相关历史信息尽可能以原始内容参与决策。这使 Agent 能在长周期任务中按需检索和调用历史信息，减少对压缩摘要的依赖，从而为真正的无限上下文提供支撑。

需要澄清的是，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，它解决的不是「一次能喂多少字」，而是「跨越多轮、跨越长时间的任务里，信息能不能不丢」。

开源策略与生态

此次开源，是 APUS AI 探索 Loop Working、构建 Personal Agent 的重要一步。Reflex Agent 采用 MIT 协议开源，提供桌面端、Web 和 SDK，开发者可以体验、复现并扩展。官方给出的两个入口分别是 GitHub 上的 APUS-Reflex-Agent 项目，以及 Hugging Face 上的 APUS-Reflex 决策模型。

把它放进当下的大背景看，这一举动踩在两个趋势的交点上：一是 Personal Agent 正在从「聊天助手」走向「能长期执行任务的工作体」；二是 Agent 的框架层（Harness）正成为创新热点，行业开始思考「控制逻辑到底该写成代码、提示词，还是交给一个模型」。

趋势洞察：Agent 的竞争，正在从模型转向「调度」

过去一年，Agent 产品的竞争力常被简化为「背后用的是哪个大模型」。但 Reflex Agent 这类方案提示了另一条路径：在模型能力趋于接近的情况下，真正拉开差距的，可能是外层那套「谁来决策、怎么记忆、如何循环」的调度架构。用一个小而专的决策模型替代重复的大模型推理，既可能提速，也可能降本——这正是当前 Agent 工程最活跃的试验场。

当然，开源也意味着要接受社区的检验：「3 倍响应速度」需要在更多真实任务中被复现，记忆引擎在长周期任务里的稳定性也有待验证。但对开发者来说，多一个可读、可改、可自托管的选择，本身就是好消息。

产品链接

• GitHub 项目：APUS-AI-Lab/APUS-Reflex-Agent
• 决策模型：huggingface.co/apus-ailab/APUS-Reflex

结语

让模型自己决定「下一步」，而不是让人把每一步都写进提示词，这可能是 Agent 从「工具」变成「同事」的关键一步。Reflex Agent 把这条路开源出来，接下来就看社区能把它推到多远。