当AI Agent开始承接真实任务，响应速度、记忆能力与持续执行能力，正成为衡量其能否真正完成工作的关键。

　　10月13日，APUSAI（麒麟合盛网络技术股份有限公司）开源Personal Agent产品Reflex Agent。该产品基于APUS
AI自研开源决策模型Reflex构建Harness，通过模型驱动Harness的核心控制逻辑，提升Agent的决策效率。结合APUS
AI研发的Continuum记忆引擎的无限记忆、无损记忆和无损输入机制，Reflex
Agent能够在长周期任务中持续调用历史信息，为实现无限上下文提供支撑。

　　用决策模型做Harness，让Agent更高效率决策

　　此次开源的Reflex Agent，体现了APUS
AI对Agent底层工作机制的另一种探索：不再仅依靠代码和提示词组织Harness，而是尝试由决策模型驱动Harness的核心控制逻辑。

　　在这一架构中，模型路由、技能选择、完成审查和执行监督等控制决策由Reflex模型完成。Harness负责组织工作流程、调度工具、跟踪状态并接收执行反馈，工具则承担具体操作。行动结果会重新进入决策环节，推动Agent进入下一轮工作。

　　APUSAI将这种工作机制定义为Loop
Working（循环工作）。Agent通过“决策、执行、反馈、再决策”的循环，围绕目标持续推进任务。模型不仅负责生成内容，也承担驱动Agent工作流程持续运行的决策职责。

　　据APUS AI实验室实测，Reflex
Agent的响应速度最快可以比主流Agent快3倍。对于需要连续操作、频繁调用工具的复杂任务，响应速度的提升有助于缩短等待时间，改善多步骤任务的整体执行体验。

　　这一路径的重点不在于简单替换模型，而是重新划分模型与Harness的职责：由决策模型承担决策判断，并按需调用其它大模型、工具和数据资源干活儿，让Agent更高效地组织和推进工作。

　　不靠压缩历史，探索真正的无限上下文

　　如果说更快的决策效率解决了Agent“如何更快行动”的问题，那么无限上下文关系到Agent能否在长周期任务中持续工作。

　　任务执行时间越长，Agent积累的信息就越多。用户最初提出的要求、过程中的限制条件、已经完成的步骤、工具返回的结果，以及此前判断和调整的依据，都可能影响后续决策。

　　传统方案往往通过压缩历史记录、生成摘要来控制上下文长度。这种方式可以减少输入内容，但也可能损失细节。当任务需要回溯某项条件、核对原始信息或修正此前判断时，摘要中缺失的信息可能成为障碍。

　　APUS AI通过Reflex
Agent的Continuum记忆引擎，实现了无限记忆、无损记忆和无损输入机制，使Agent能够持续保留任务信息，并在需要时将相关历史内容引入当前决策上下文。这样，任务执行过程中积累的信息可以继续服务后续判断，为LoopWorking提供记忆支撑。

Gif演示：Reflex Agent可实现无限上下文

　　从回答问题到持续完成任务，Agent的进化不仅需要更强的模型，也需要支撑长期工作的决策与记忆机制。APUS AI开源Reflex
Agent，探索让模型决策、持续记忆与执行反馈协同工作，为Personal Agent从单次响应走向Loop Working提供新的技术路径。

　　Reflex Agent采用MIT协议开源，提供桌面端、Web和SDK。APUS
AI期待通过真实场景的检验与开发者共建，持续完善Agent的工作能力，让Reflex Agent更好地围绕用户目标持续行动。