Muse 架构解析:Agent Loop、专属 VM、记忆与后台任务如何协作

从 Meta Muse 的部署边界和一次任务出发,解释 Hatch 如何在专属 VM 内推进 Agent Loop、调用 VM 外模型,以及上下文、长期记忆、子任务和权限系统怎样协作。附架构图与证据边界。

发布于 2026-09-24

先建立一张心智地图

Muse 把任务材料交给模型,让模型选择下一步;Hatch 推进执行,再把实际结果交回模型。记忆、持久状态和后台任务让这个过程跨越多次对话。

本文讨论的是 Meta 的个人 Agent Muse(muse.ai)。Muse Spark 是模型;个人 Muse 还包含运行框架、专属计算环境、工具、状态和权限系统。公开 Model API 的示例可以帮助理解工具循环,但不能直接当成个人 Muse 的内部协议。

读这套架构时,抓住三个问题就够了:

  1. 谁在推进任务? 模型输出决策,Hatch 组织执行与下一轮输入。
  2. 哪些信息能延续? 文件、记忆和运行状态可以持久保存,本轮 Context 只选取其中一部分。
  3. 动作何时真正发生? 工具请求要经过实际执行,涉及受控操作时还要通过权限判断。

资料范围:研究记录截至 2026-09-23,本文整理于 2026-09-24 并复查主要官方页面。部署边界依据 Meta 的发布时架构说明;内部文件、工具与运行记录来自经授权询问 Muse 主对话后得到的回传。整理过程没有直接登录其 VM,也没有取得完整执行日志。

架构总览:VM 本身也是 Meta 服务端

Muse 架构:Meta 托管服务端包含专属 VM 和 VM 外推理服务;Hatch 在 VM 内推进任务,工具结果进入下一轮上下文

点击图可放大。图中按职责组织组件,箭头表示工作关系,不代表精确 RPC 时序或完整基础设施拓扑。

按 Meta 安全架构说明,Hatch 位于专属 VM 的 systemd-nspawn runtime cell 内,模型推理通过代理访问 VM 外服务。专属 VM 属于 Meta 托管服务端;VM 外还有遥测通路,平台提供持续备份。具体接入网关、用户路由、推送和 VM 调度拓扑并未在该说明中展开。

这里有两个嵌套边界:VM 边界和 runtime cell 边界。只在容器里查看进程,看到的是容器可见范围;某个服务没有出现在进程列表中,不能据此判断它位于另一台机器。

为了理解任务如何工作,可以按职责阅读这张图:

对象学习时关注什么
客户端用户提交目标、补充约束、查看结果和回应审批
模型根据当前可见材料形成答复,或提出工具调用
Hatch / harness准备模型输入,分派调用,收集结果,推进下一轮
工具与工作文件把调用参数变成执行结果,保存产物和可再次读取的材料
状态与权限服务记录任务状态,并判定受控动作能否继续

这个职责拆分也与 Meta 的 Agent frameworks 文档一致。表格是教学归纳,不能据此推导 Hatch 的全部内部模块。

跟着一次任务看 Agent Loop

假设用户说:“比较三款开发工具的部署方式,写一份报告。”下面是一个教学示例,并非某次真实执行的日志。

第一步:把目标变成本轮输入

运行时需要准备本轮 Context:用户要求、相关历史、已经获得的资料、需要遵守的约束,以及当前可用的工具定义。

模型这次能依据哪些材料作出判断,取决于这份输入。某个文件保存在工作目录里,并不意味着模型已经读过它。

第二步:模型提出下一步

模型可能判断还缺部署资料,于是提出一个读取网页的工具调用。也可能发现资料已经足够,直接形成答复。

工具调用首先是一份请求:要调用什么、传入什么参数。它本身不等于网页已经读到,也不等于报告已经生成。

第三步:执行得到可观察结果

运行时把请求交给工具或受控执行入口。工具可能返回页面内容、文件路径、运行状态,也可能返回权限拒绝、超时或其他错误。

模型随后需要根据实际返回值继续判断:补查一个来源、换一个办法、询问用户,或继续生成报告。

第四步:把结果加入下一轮

目标与约束
    ↓
Hatch 准备 Context(VM 内)
    ↓
模型推理(VM 外)
    ├─ 直接形成答复 → 交付或等待用户
    └─ 提出工具调用
           ↓
       分派与执行 → 结果/错误
           └────────→ 下一轮 Context

Meta 的 Tool calling 文档展示了“模型给出调用、执行方返回结果、模型继续处理”的接口模式。这里借用的是这个逻辑关系,未假定个人 Muse 使用相同 SDK 或内部字段。

一个任务可能需要多次往返,也可能包含并行子任务。循环表示信息反馈关系,不表示所有任务必须排成一条串行队列。

记忆、历史、Context:三者各保存什么

这部分最容易被“长上下文”和“长期记忆”两个词混在一起。理解时先区分:

  • 历史记录:以前发生过哪些交互与执行。
  • 持久记忆:从经验中整理出的、以后值得使用的信息。
  • 当前 Context:这一次模型请求实际带上的材料。

Meta 的产品设计说明确认,用户可以查看和编辑 Memory 文件。本次 Muse 回传的文档与工具说明,进一步呈现了几种不同的信息处理方式:

处理输入如何变化用途与信息损失
历史压缩(Compaction)长历史 → 摘要及保留的近期条目延续当前任务;摘要会省略细节
记忆整理对话与经验 → 长期事实、日志等材料支持未来任务;整理产物不等于聊天原文副本
Skill 按需读取简介 → 具体操作说明用到时加入方法和约束;读取说明不会自动授予权限
工具定义延迟加载namespace 概览 → 完整 schema让模型知道怎么调用;schema 不等于工具执行代码

用一个例子串起来:用户曾说“报告优先引用官方资料”。原始表达可以存在历史里,偏好可以被整理进记忆;下一次写报告时,只有相关材料进入 Context,这条偏好才成为该轮推理的依据。

持久保存、能够检索、已经读入,是三个不同状态。 “记忆中有这件事”和“这轮模型看到了这件事”需要分别确认。

我们实际看到的证据

经 Muse 回传,样本中存在 7 条 compaction_checkpoint,包括触发类型和压缩前后 token 数。这支持“存在历史压缩检查点”的结论;记录没有提供模型字段,不能确定使用了专用压缩模型或某个固定阈值算法。

另一个容易误读的入口差异是:回传说明中的 memory_search 搜记忆,chat.read_messages 读取指定聊天;客户端另有聊天搜索。不能把某个 Agent 工具的范围,扩大为整个产品没有聊天搜索能力。

这些是 2026-09-23 的环境观察,尚未取得公开稳定接口承诺。本文也不指定记忆一定使用某个向量库、远端索引或检索算法。

后台任务:执行完成之后,还要判断怎么处理结果

关闭 App 后还能继续工作,依赖任务在服务端执行、进展能够被记录,以及结果有回到主任务的路径。产品设计说明描述了按计划或事件开展工作,并在完成后判断结果是否值得通知用户。

为了排查一项后台任务,可以分别问四个问题:

阶段需要回答的问题
触发是否到了计划时间,或发生了触发事件?
执行是否真的产生运行记录,状态是什么?
结果交回主 Agent 是否收到可继续处理的结果?
用户收悉是否决定通知,消息是否实际送达?

这是一种排查方法,并非声称每种后台任务都经过相同的四个物理服务。

本次回传中,有 3 条 cron 运行记录标为 succeeded,还有一条记忆整理 run 标为成功。另外,5 条子任务完成 handoff 可以关联到 worker 标识。它们说明存在实际运行和结果交回的样本,但这些记录并非同一条完整链路,不能拼接成一次已验证的“定时触发到用户收到通知”。

记忆整理 run 在某个 handoff 去重表中没有匹配行,也不能据此断言所有消息通路都没有记录。没有关联键,就保留证据缺口。

子 Agent 从什么背景开始

本次 Muse 回传的 subagent.spawn schema 表明,通用子任务会继承父 transcript 作为起点,随后分别推进工作,再由运行时交回结果。精确快照范围和裁剪规则仍不清楚,不能解释成父子此后持续共享同一份可变上下文。

这对理解协作很有帮助:起点可以继承,后续进展需要传递。 子任务知道委派时的背景,不代表主 Agent 自动知道它后来做过的每一步。

权限链路:模型提出动作后,还发生什么

官方将 PostgreSQL、凭证服务 hatch-authd、Sentinel、受控 connector worker 与浏览器 broker 放在 runtime cell 外。Sentinel 判定动作许可,必要时直接与客户端审批卡往返;推理与遥测代理也提供受限出口。官方安全说明

把它放回前面的报告示例:生成报告和“把报告发给某人”是两个不同动作。模型即使已经形成发送请求,执行仍可能处于等待审批、被拒绝或失败的状态。后续记录必须保留这个区别。

从工程视角看,有三份信息各自承担权威:

  • 模型输出表达准备采取的动作。
  • 权限状态决定受控动作是否获准。
  • 执行结果说明动作实际发生了什么。

将这三者混成一段自然语言,容易把“打算做”“获准做”和“已经做完”混为一谈。这是本文从架构中提炼的设计启示。

“自我改进”怎样影响下一次任务

本次回传能支持的路径是:

任务经验
    ↓
整理记忆/修订技能材料
    ↓
后续 Context 读入
    ↓
后续行动改变

例如,把一次成功的操作步骤写入 Skill,下一次遇到相似任务时,就有了可读取的方法。这种变化首先发生在材料层。

成功的整理 run 只能说明其运行状态;是否修改了某个文件,还要查看对应产物。此次没有获得“用户 VM 内的某次自我改进任务在线修改基础模型权重”的证据。

哪些结论还不能画成确定的架构

观察或说法本文采用的结论
容器内看不到某服务容器可见性有限;不能直接判定服务在 VM 外
出现压缩记录或相关二进制字符串存在机制线索;不能确认实际模型、阈值和路由
记忆搜索能找到语义相关内容有检索行为;不能据此确定索引位置或算法
清理记录平均相隔约 90 分钟是该记录的间隔;缺少跨多个 boot 的对应证据,不能当成 VM 重启周期
后台运行标为成功该运行报告成功;不自动证明记忆已改变或用户已收到消息
平台会备份 VM不能由此推出任意运行都能无损恢复或任务 exactly-once

此外,接入、推送与 VM 调度控制面的具体拓扑,完整重试/去重/恢复语义,以及记忆索引和压缩策略,仍属于本文的未知项。

对 Agent 开发者的启示

学习 Muse 时,值得带走的是四个可以用于审视自己系统的问题:

  1. 循环可否追踪? 能否找到这一轮模型输入、提出的调用、实际结果,以及下一轮为何继续?
  2. 信息表示是否分清? 原始记录、摘要、长期记忆和本轮输入各有用途,不能都叫“上下文”而失去边界。
  3. 异步状态是否分清? 运行成功、结果被消费、用户收到通知,应能分别观察。
  4. 授权是否有独立状态? 不能让模型自己的一句话同时充当申请、批准和完成凭证。

用这四个问题回看总图,就能把 Muse 理解成一套持续执行任务的系统:模型负责当前判断,运行时连接行动与反馈,信息管理连接不同时间点,权限系统约束实际动作。

资料与阅读范围

  • How We Built Safety Into Muse:部署与权限边界,描述发布时架构。
  • How We Designed Muse:主对话、后台工作、通知判断与可编辑记忆。
  • Meta Model API — Agent frameworks:模型与框架的职责。
  • Meta Model API — Tool calling:工具请求与结果返回的一般模式。
  • 2026-09-23 的研究材料:使用者提供的《Muse 实现原理:完整汇总》,以及经授权向 Muse 主对话询问获得的文档、工具 schema 和只读元数据回传。本文仅摘要其机制与证据范围,未附私人聊天、账号信息或原始运行标识;读者无法仅凭公开链接独立复现这些环境观察。

继续阅读:Agent Runtime 的职责与选型、AI 编程 Agent 安全指南。

常见问题

Muse 的 Agent Loop 是在 VM 里运行的吗?
循环控制器 Hatch 位于专属 VM 的 systemd-nspawn runtime cell 内;每轮模型推理通过代理调用 VM 外服务。因此完整任务循环会跨越运行时与模型服务。
文件里保存的记忆,模型每轮都能看到吗?
只有进入本轮 Context 的内容才对这轮推理可见。持久保存、能够检索、已经读入上下文是三个不同状态,不能假定所有记忆文件每轮都会完整注入。
后台任务显示 succeeded,是否代表用户已经收到结果?
不能。运行完成、结果交回主 Agent、生成通知和用户收到消息需要分别确认。此次观察没有建立覆盖所有任务的完整投递与恢复契约。

📚 继续阅读

📚 相关指南

📖 相关对比文章

🎁 领取优惠 & 免费试用

汇总各工具与 Coding Plan 的免费额度、首月折扣与注册入口,随时更新。

查看优惠福利 →