7.0
深览指数
科技智东西·王 涵··AI 生成
智能体长任务总“失忆”？国产开源破局，类Jev模型接管Agent调度
针对AI Agent长任务中常见的记忆丢失与工具调用延迟问题，APUS开源了Reflex Agent。其核心是采用自研的专有决策模型（类Jev思路）作为调度枢纽，代替传统大模型处理每一步控制决策，将响应速度提升2-3倍；同时通过三层无损记忆机制（无限记忆、无损记忆、无损输入）构建近乎无限的上下文窗口，解决长任务“失忆”难题。文章详细阐述了该架构的角色分工与闭环逻辑，并介绍了APUS的公司背景与技术路线全景。这篇文章对关注AI Agent工程落地与系统架构的技术决策者有参考价值。原文 ↗
核心观点
- ▍APUS开源的Reflex Agent通过专用决策模型接管Harness调度，替代“大模型包揽所有决策”的主流思路，从根本上解决Agent长任务中的“失忆”与决策延迟问题。
- 01APUS认为，主流Agent依赖“提示词+代码”搭建Harness，每一步控制决策（如分派任务、判断完成）都需调用大模型，导致高频场景下延迟问题突出。
- 02对于长任务“遗忘”问题，行业常见的摘要压缩方案会导致细节与出处丢失；Reflex Agent的三层记忆机制（无限记忆、无损记忆、无损输入）旨在保留全量原始信息，并按需检索参与决策。
- 03Reflex Agent的决策模型基于Qwen3.5的4.5B参数模型微调，专为浏览器动作选择、工作流路由和自然语言原则判断设计。
- 04该架构形成“决策→执行→反馈→再决策”闭环，专用决策模型作为控制中枢，按需调用大模型、外部工具与数据，而非所有环节都依赖大模型。
- 05在测试场景下，Reflex Agent的页面响应速度相比同类Agent提升2-3倍。
- 06APUS创始人兼CEO李涛曾任职于三七二一（后被雅虎收购）、图吧科技（COO）和奇虎360（副总裁），2014年创立APUS。
- 07APUS已形成从千亿参数基座大模型（AiLMe、APIx-DAN-4.0）到垂直行业模型（如奇黄大模型-医疗）再到C端/B端应用的完整产品线。
反方 / 局限
- — 文章指出，Reflex Agent的框架能否规模化落地、在更多复杂业务场景保持稳定，还需要开源社区持续验证迭代。
- — 文章未提及该方案的潜在局限性，例如专用决策模型在处理高度复杂或未见过的决策时，其泛化能力相比通用大模型是否充足，以及执行复杂任务时“决策-执行”闭环是否会引入新的瓶颈。
- — 虽然文章宣称“无限上下文”，但技术细节显示是“根据任务需求检索相关记忆片段”，这本质上是一种检索增强生成（RAG）的变体，其效果严重依赖于检索的准确率和记忆分块策略，并非传统认知上的物理无限上下文窗口。
8 分钟 · 3 卡片 · 9 资料
读原文 →