一个长期运行的 Personal Agent，需要怎样的系统架构？

除了模型能力，还涉及执行环境、记忆检索、任务调度，以及账号授权与凭据管理。

我结合 Meta 官方工程文档和第三方实机拆解，将 Muse 整理为五个部分。

01｜Agent Harness：组织决策与执行
模型负责理解任务、提出操作；Harness 负责组装上下文、调度工具、回传结果，推进执行循环。

Muse 的核心运行程序称为 Hatch。第三方拆解观察到了上下文压缩、批量工具分发、子 Agent 管理等执行环节。

模型的判断，需要通过这套运行机制转化为实际操作。

02｜Cloud Runtime：独立、持久的执行环境

官方公开的架构中，每位用户拥有独立的 Linux VM。Hatch、工具程序与工作文件位于 systemd-nspawn 运行容器内。

授权服务、凭据管理和持久化状态与执行区隔离。容器内的 root 权限不等于宿主机 root，模型推理也通过外部服务完成。

这套设计同时承担任务执行、数据持久化与权限隔离。

03｜Memory：内容存储与检索机制

第三方拆解发现，记忆内容以 Markdown 保存，涵盖日期日志、经验、人物与群组记录；PostgreSQL 为内容建立检索索引。

检索结合关键词匹配与向量召回，再通过 Reranker 重排，将相关信息引入当前上下文。结果保留文件路径与行号，支持来源追溯。

值得关注的是这条完整链路：内容组织 → 混合检索 → 重排 → 上下文注入。

04｜Long-running Tasks：状态、调度与恢复

长期任务需要独立于单次对话管理。

实机拆解发现了目标文件、任务资料、工作笔记、定时配置，以及后台 Objective Worker 和执行检查点。

这些机制分别解决任务状态保存、后续触发和执行中断后的接续问题。

05｜Safety & Permissions：独立授权与凭据隔离

官方设计中，Sentinel 是独立的权限裁决组件，负责决定操作是否放行、拒绝或提交用户确认。

Personal Agent 的产品体验，很大程度上取决于这些组件的协同质量。

关注刘铁柱，一起研究 AI Agent 的架构与工程实践。

#howto用好AI #10分钟行动派howto #howto入门codex #大模型 #vibecoding #WeeklyPick #小红书火箭队