Muse 架构：智能体循环、专用 VM、记忆与后台工作

CodePick：Muse 架构，智能体循环、专用 VM、记忆与后台工作

来源：Muse Architecture Explained: Agent Loops, Dedicated VMs, Memory, and Background Work
作者：CodePick（页面未署名个人作者）
日期：2026 年 9 月 24 日

沿着一项任务看 Meta Muse：Hatch 在专用 VM 内推进智能体循环，推理在 VM 之外运行，上下文、记忆、子智能体与权限使工作继续。文中有一张架构图，并写明了证据限度。

理解 Muse 的一个模型

Muse 把任务材料交给模型，取得一项决策，通过 Hatch 执行下一步，再把实际结果交回模型。记忆、持久状态与后台工作使这一过程可以跨对话继续。

这篇文章讨论的是 muse.ai 上 Meta 的个人智能体 Muse。Muse Spark 是模型；个人产品还包括 harness、专用计算环境、工具、状态与权限。公开的 Model API 示例说明了有用的模式，但并不是个人产品内部协议的文档。

记住三个问题：

  1. 谁在推进任务？模型产生决策；Hatch 协调执行与下一次输入。

  2. 什么会留下来？文件、记忆与运行状态可以存续到单次推理请求结束之后。当前上下文只包含这些材料中的一份选择。

  3. 一个动作究竟在何时发生？工具请求仍然需要执行；在适用时，还需要权限。

范围：研究观察的日期是 2026 年 9 月 23 日。文章写于 9 月 24 日，并再次核对了主要的官方页面。部署方面的主张遵循 Meta 对发布架构的描述。内部文档、工具 schema 与运行元数据，是在主聊天中提出经授权的问题之后，由 Muse 报告的。这项研究没有直接登录 VM，也没有取得完整的执行日志。

架构：专用 VM 是 Meta 后端的一部分

打开图可以放大。组件按职责分组；箭头是学习辅助，并不是精确的 RPC 顺序，也不是完整的基础设施地图。

Muse 架构：Hatch 在专用 VM 内推进任务，推理在 VM 外，工具结果进入下一次上下文

Meta 把 Hatch 放在专用 VM 内的 systemd-nspawn runtime cell 中，推理则通过 VM 外的代理到达。Meta 还提供一条外部遥测路径，以及持续的 VM 备份。已发表的说明没有写清入口、用户路由、推送交付或 VM 调度拓扑。官方架构

这里有两层嵌套的边界：VM，以及 runtime cell。容器内的进程列表只显示它可见的环境。在那里看不到某项服务，并不能证明该服务运行在另一台机器上。

为了学习，按这些职责来看：

组件 要看什么
客户端 目标、修正、结果，以及批准响应
模型 基于可见材料给出的回答，或提议的工具调用
Hatch / harness 准备好的输入、已分派的调用、收集到的结果，以及下一次迭代
工具与工作文件 参数变成执行结果、产物，以及可复用的材料
状态与权限服务 已记录的进度，以及受控动作是否可以继续的决定

这一划分与 Meta 的 Agent frameworks 文档一致。它是教学上的抽象，并不是对每一个内部 Hatch 模块的主张。

跟着一项任务走完智能体循环

假设用户提出：「比较三种开发者工具的部署方式，并写一份报告。」下面是说明性的走查，并不是一份捕获到的生产轨迹。

1. 准备当前输入

运行时需要为这次推理请求准备上下文：用户的目标、相关历史、可用证据、约束，以及工具定义。

模型能够考虑什么，取决于这份输入。工作目录里存在一份文档，并不意味着模型已经读过它。

2. 取得一项决策

模型可能会再请求一个来源，也可能断定已有足够信息来回答。

一次工具调用描述的是意图中的操作及其参数。调用本身并不能确立某一页已经被取回，或某一份报告已经被写好。

3. 执行并观察

运行时把请求分派给一个工具或受控的执行服务。返回值可能包含页面内容、产物路径或状态。它也可能报告拒绝、超时或错误。

下一次决策必须计入这个实际返回值：尝试另一个来源、改变做法、询问缺失的信息，或完成报告。

4. 把结果送入下一次迭代

目标与约束进入 VM 内的 Hatch，由它准备上下文。模型推理在 VM 外进行。若得到回答，则交付或等待。若得到工具请求，则执行，并取得结果或错误，再进入下一次上下文。

Meta 的工具调用文档说明了请求、执行与结果返回这一模式。这次走查借用的是该逻辑关系，并不假定个人产品使用同一套 SDK 或内部字段。

一项任务可能需要多次迭代，或并行的子任务。这一循环描述的是反馈，并不是要求把每项任务都串进同一个队列。

记忆、历史与上下文各有职责

把三种表示分开：

  • 历史：以往的交互与执行记录。

  • 持久记忆：被选出来、用来帮助未来任务的信息。

  • 当前上下文：这一次模型请求实际包含的内容。

Meta 的产品设计记述描述了用户可以查看并编辑的记忆文件。这项研究中由 Muse 报告的文档与工具说明，呈现出几种不同的变换：

操作 变换 目的与信息损失
历史压缩 长历史被收缩为摘要，并保留最近的条目 用于继续当前任务；部分细节被略去
记忆巩固 对话与经验被整理为更长期的事实与笔记 用于支持未来任务；笔记并不是逐字的聊天档案
按需读取技能 短描述被展开为详细指令 在需要时补充方法与约束；读取一项技能并不授予权限
延迟加载工具 命名空间概览被展开为完整 schema 说明如何调用工具；schema 并不是可执行的工具代码

例如，用户可能希望报告采用官方来源。原话可以留在历史中，而被选出的偏好成为记忆。到下一份报告时，相关材料仍须进入当前上下文，才能影响那一次请求。

已存储、可搜索、已加载，是三种不同的状态。「记忆里有这个事实」与「模型在这一轮看到了它」，需要不同的证据。

这些观察确立了什么

Muse 报告了七条 compaction_checkpoint 记录，其中含有触发信息以及压缩前后的 token 计数。这些记录确立的是：样本中存在压缩检查点。它们没有模型字段，因此不能据此识别出一个专用的压缩模型，或一种固定的阈值算法。

报告中的接口还区分了 memory_search 与 chat.read_messages。前者搜索记忆，后者读取指定的聊天。客户端有一个聊天搜索界面。某一个智能体工具的限度，不能推广成「整个产品没有聊天搜索」的主张。

这些是 9 月 23 日的环境观察，并不是一份公开的稳定接口契约。它们没有指出某一种向量数据库、远程索引或检索算法。

后台工作有不止一个完成点

应用关闭后继续工作，需要服务端执行、已记录的进度，以及把有用结果送回的途径。Meta 的设计记述描述了定时工作与事件驱动的工作，随后再判断结果是否值得通知用户。

调查一项后台任务时，分开问四个问题：

阶段 问题
触发 预定时间或相关事件是否发生了？
执行 是否创建了一次运行，它报告了什么状态？
交接 主智能体是否收到了一份它可以据以行动的结果？
用户收到 是否选择了通知，交付是否发生了？

这是一个调查框架，并不是主张每项任务都经过四个相同的物理服务。

这项研究收到三条标记为 succeeded 的 cron 记录、一次成功的记忆巩固运行，以及五次与工作进程标识相关联的子任务完成交接。它们表明的是执行与交接的样本。它们并不是从预定触发一直连到用户交付的同一条轨迹。

在一张交接去重表里查不到匹配行，也不能证明没有别的消息路径留有记录。没有连接键，这个缺口就仍然开着。

子智能体从哪里开始

报告中的 subagent.spawn schema 称，一般子任务以父任务的记录稿为起点。父与子随后分别推进，结果由运行时返回。确切的快照边界与裁剪规则仍不清楚；这并不是「二者持续共享一份可改写上下文」的证据。

有用的区分是：背景可以被继承；此后的进展必须被传达。知道父任务的初始材料，并不意味着父任务会自动知道子任务后来做的每一件事。

权限是执行中单独的一部分

Meta 把 PostgreSQL、hatch-authd、Sentinel、受控的连接器工作进程，以及浏览器中介放在 runtime cell 之外。Sentinel 决定权限，并在需要时直接与客户端交换批准请求。官方安全架构

回到报告的例子：准备一份报告，与把它发给某人，是两个动作。即使发送请求已经生成，执行仍可能在等待批准、被拒绝，或失败。后来的记录需要保住这些区别。

从工程上看，三种表示带有不同的权威：

  • 模型输出表达的是提议的动作。

  • 权限状态决定一项受控动作是否获得授权。

  • 执行结果描述实际发生了什么。

把这三者收进对话散文，就容易把意图、授权与完成混在一起。这是从该架构得出的一条设计教训。

自我改进如何影响以后的任务

报告中的材料支持下面这条路径：

任务经验进入记忆或技能修订，再进入以后的上下文，从而改变后续动作。

写进技能的一次成功步骤，可以成为以后类似任务的有用指令。可观察到的变化，起初出现在智能体能够阅读的材料里。

一次成功的巩固运行，确立的是它所报告的运行状态；要核验文件是否改变，仍需要对应的产物。这项调查没有取得证据，表明用户 VM 内的自我改进任务会在线更新基础模型的权重。

哪些仍未确认

观察或主张 能够支持的解释
某项服务不在容器的进程列表中 容器的可见范围有限；据此得不出该服务位于 VM 之外
存在压缩记录或相关的二进制字符串 有实现线索；正在使用的模型、阈值与路由仍未知
记忆检索返回了相关内容 检索存在；索引位置与算法没有被确立
清理记录的平均间隔约为 90 分钟 这度量的是记录间距；若没有跨启动的对应证据，它不是 VM 重启间隔
一次后台运行成功了 该运行报告成功；记忆变化或用户交付并不因此自动成立
存在 VM 备份 这不能确立任意进行中工作的无损恢复，也不能确立恰好一次执行

入口、推送交付与 VM 调度拓扑，完整的重试、去重与恢复语义，以及记忆索引和压缩策略，都在这里取得的证据之外。

做智能体的人可以带走什么

用四个问题检查自己的系统：

  1. 能否追溯一次迭代？找出它的模型输入、提议的调用、实际返回，以及继续的理由。

  2. 各种表示是否分开？原始记录、摘要、记忆与当前输入各有用途。

  3. 异步结果是否分开？执行成功、结果被使用、用户收到交付，应当可以分别观察。

  4. 授权是否有独立状态？模型的一句话不应同时充当请求、批准与完成的证明。

带着这些问题，可以把 Muse 理解为一个持续工作的系统：模型作出当前决策，运行时把动作与反馈接上，信息管理跨过时间，权限约束执行。

来源与范围

  • How We Built Safety Into Muse：发布时的部署与权限边界。

  • How We Designed Muse：对话、后台工作、通知决策，以及可编辑的记忆。

  • 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 年 9 月 23 日的研究材料：一份用户提供的 Muse 实现摘要，以及在 Muse 主聊天中提出的经授权问题，随后是报告出来的文档、工具 schema 与只读元数据。这篇文章概括机制与证据限度，不发表私人聊天、账户信息或原始运行标识。这些环境观察无法仅凭公开链接独立复现。

继续阅读：Agent Runtime Responsibilities and Selection 与 AI Coding Agent Security。

常见问题

Muse 的智能体循环是否在 VM 内运行？

循环控制器 Hatch 运行在专用 VM 的 systemd-nspawn runtime cell 中。每一次模型推理请求都经过代理，到达 VM 外的基础设施。因此，完整的任务循环会越过这条边界。

模型是否在每一轮都看到全部已保存的记忆？

只有被放进当前上下文的材料，对那一次推理请求可见。已存储、可搜索、已加载进上下文，是不同的状态。我们不能假定每一次轮次都会把全部记忆文件完整注入。

一次成功的后台运行，能否证明用户收到了它的结果？

不能。执行完成、交接、通知生成与交付，需要分别的证据。这里描述的观察没有确立一份普遍的交付或恢复契约。