AI智能体现在最大的两个毛病，用过的人都懂：一是慢，二是忘。
慢，是因为它每走一步都要"想半天"；忘，是因为任务一拉长，它就把你前面交代的要求、过程中查到的细节丢得七七八八，最后一本正经地跑偏。
10月13日，国内科技公司APUS AI（麒麟合盛）用开源的方式，给这两个老大难问题交了一份自己的答卷——个人智能体产品 Reflex Agent 正式开源。官方实测，在连续操作、频繁调用工具的复杂场景下，它的响应速度最快可达Claude Code、Codex等主流Agent的3倍；同时靠一套"无限上下文"方案，试图让智能体在长任务里不再失忆。
更关键的是，它采用最宽松的MIT协议开源，桌面端、Web、SDK同步放出，开发者可以直接拿去商用和二次开发。
一、先说清楚：智能体为什么又慢又忘？
要看懂Reflex Agent的价值，得先明白主流Agent是怎么运转的。
今天大多数Agent的执行框架（行话叫Harness），基本是靠"提示词+代码"搭起来的。问题在于，框架里的每一个控制决策——这个需求该交给哪个工具？下一步点哪里？任务到底做完没有？——几乎都要调用一次大模型来判断。
大模型每"多想一步"，用户就多等一步。单次问答感觉不明显，可一旦遇到浏览器自动化、多轮工具调用这种高频场景，延迟就被层层放大，卡顿感非常突出。
遗忘问题更致命。大模型有上下文窗口长度的物理限制，任务一旦拉长、历史信息塞不下，行业通行做法是把旧对话压缩成一段摘要。摘要确实省了空间，但细节和出处往往就是在压缩这一步丢掉的。等后面需要回溯某个原始条件、核对一句原话时，智能体面对的已经是"二手信息"，出错几乎是必然。
这正是当下Agent从"能聊天"走向"能干活"的两大核心障碍。
二、解法第一步：让一个专用"小脑"专门负责决策
APUS的思路，是把"决策"这件事从大模型身上剥离出来，交给一个专用的小模型。
这个模型就叫Reflex，基于Qwen3.5的4.5B参数模型微调而来，专门为浏览器动作选择、工作流路由和自然语言规则判断而设计，此前已经单独开源。
在Reflex Agent的新架构里，职责被重新切分：
专用决策模型负责判断"下一步该干什么"；
Harness框架负责流程调度、工具管理、状态跟踪和接收执行反馈；
工具层负责具体操作。
三者形成一个闭环：决策→执行→反馈→再决策。决策模型成了整个流程的控制中枢，按需去调用大模型、外部工具和数据，而不是让昂贵的大模型在每一个细枝末节上都亲自出马。APUS把这种工作方式命名为 Loop Working（循环工作） ——Agent不再只是回答一个问题，而是锁定用户目标后自动持续执行、自我检查、自我修正，直到任务真正完成。
这本质上是一次"专业分工"：用一个轻量、快速、便宜的专用模型承担高频、重复的调度判断，把大模型的算力留给真正需要智能的环节。根据APUS AI实验室的实测，在相关测试场景中，页面响应速度相比同类产品提升约2到3倍。需要客观说明的是，"3倍"是特定测试场景下的最快值，真实体验会因任务类型和环境而异，不宜简单理解为恒定三倍。
三、解法第二步：三层记忆，不靠压缩也能记住一切
如果说决策模型解决的是"如何更快行动"，那么配套的 Continuum记忆引擎，解决的就是"如何长期不遗忘"。
它由三层机制构成：
无限记忆：持续累积任务的全量信息，为长周期任务提供完整的记忆底座；
无损记忆：完整保存原始信息及其关联关系，支持随时回溯任务细节和历史判断依据；
无损输入：检索后调入当前决策上下文的信息不做有损改写，保留原文内容直接参与决策。
换句话说，Agent不必把全部历史一次性塞进提示词，而是像人查档案一样，根据当前任务需要检索相关的记忆片段，把原始信息直接拿来用，绕开了"压缩成摘要"这个丢细节的环节。
这里也需要澄清一个容易被夸大的点：所谓"无限上下文"，并不是突破了单次模型调用的输入长度物理上限，而是让Agent的记忆周期和任务周期不再被单次窗口卡死。这是一个工程层面的巧思，而非物理定律的突破，但对长任务的实际意义依然很大。
四、为什么说这件事值得开发者认真看？
把Reflex Agent放进当前的行业背景里，它的意义会更清楚。
最近，AI Agent与"决策模型"（海外以Jev为代表）正是最火的技术方向之一，核心共识正在形成：决定Agent好不好用的，越来越不只是底层大模型有多强，而是Harness这套"调度系统"精不精细、记忆机制可不可靠。 APUS选择把整套"模型驱动Harness"的工作循环开源，等于给行业提供了一个可以直接复现、研究和改造的完整样本。
对不同的人，价值点不一样：
对开发者和技术团队：MIT协议是开源协议里最宽松的一档，允许自由商用、修改和二次开发，桌面端、Web、SDK三种形态齐全，可以较快适配到自己的Agent场景，研究无损记忆和决策模型的具体实现；
对做Agent落地和代部署的团队：记忆引擎和高速决策恰好命中企业长流程任务（资料处理、跨系统操作、长时间自动化）的痛点，是可以纳入技术选型评估的现成方案，尤其适合对数据私有化、自主可控有要求的场景；
对整个国产生态：在大模型能力差距快速缩小的当下，竞争正在向"框架层"和"工程层"延伸，这种差异化路线提供了新的技术样本。
当然，保持冷静同样必要。这是一套刚开源的框架，官方也坦承其能否规模化落地、在更多复杂业务场景中保持稳定，还需要开源社区的持续验证和迭代。"实验室实测3倍"和"千行百业里稳定可靠"之间，向来隔着大量真实场景的打磨。
结语
从"回答问题"到"持续完成任务"，是智能体进化路上最关键的一跃。这一跃靠的不只是一个更聪明的大脑，还需要一套反应够快的神经、和一份不会断片的记忆。
Reflex Agent未必是终局答案，但它用"专用决策模型+无损记忆"这套组合，清晰地指出了一个方向：真正好用的Agent，拼的是体系化的工程能力。 而它选择MIT协议彻底开源，也让更多人有机会站在这个起点上继续往前走。对于所有押注Agent时代的人来说，这无疑是个好消息。
项目地址：GitHub搜索 APUS-Reflex-Agent，决策模型可在Hugging Face搜索 APUS-Reflex。
本文事实依据APUS AI官方开源信息及品玩、36氪/智东西、环球网、新京报等公开报道。文中性能数据来自官方实验室特定测试场景，实际效果以真实环境为准，不构成任何技术采购或投资建议。