系统架构概览：非聊天应用的专用计算单元

News并非传统的即时通讯应用，其核心设计理念是为每个用户分配专用的计算机和专属的智能体。整个系统框架被划分为5种功能和11个层级，这种独特的生理分类法旨在通过因果关系帮助用户理解复杂的内部机制。当用户发出如“下周去东京，请安排羽田和品川酒店”的具体请求时，系统首先从保存的记忆中检索相关信息（如地点偏好），随后将任务发送给负责简报的智能体。当前运行的标准模型为Muse Spark 1.3，而Zwander则是面向长周期、多阶段任务及与规划工具集成的高端模型。Meta推荐引入Combo组合，以应对不同复杂度的需求。

在处理流程中，Muse Spark 1.3负责理论生成、计划制定以及在选择可用座位时调用Chromium浏览器。这一过程发生在专用虚拟机（VM）内，并在结算前请求用户批准，最终由后端处理将程序转化为技能并过夜执行。这种架构确保了数据隔离与专用性，使得智能体能够像拥有独立大脑一样处理特定用户的长期任务。

模型原理：静态权重与动态记忆的分离机制

智能体的“记忆”并非通过改变神经网络内部参数实现，而是依赖于文件读写与重新加载。在模型处理过程中，输入请求被转化为token并嵌入向量，通过自注意力机制（Self-attention）、查询、键和值等矢量计算上下文关系。关键原则在于：神经网络的权重参数在整个过程中保持不变。这意味着，智能体在对话中表现出的偏好记忆，并非源于大脑权重的重写（即数据W=0），而是通过向专用VM写入和重新加载文件来实现。

“权重更新使用梯度效应是在模型创建阶段，而记忆更新通过文件读写在产品运行后进行，这两者在时间轴和物理机制上需要被视为完全独立的过程。”

这种分离确保了模型的稳定性。预训练阶段通过大量文本解决下一个token预测问题，利用梯度效应更新权重以形成语法和世界知识；SFT指令学习阶段则通过RLHF和DPO等方法优化回答的有用性、诚实性和安全性。即将推出的高端模型News Wonder将增强对生物、放射性材料滥用等安全风险的措施，但智能体在运行时无法直接观察自身权重或学习数据，因此其解释严格限定在设计规范范围内。

上下文压缩与外部输入的安全防御机制

随着对话轮次增加（超过40轮），系统会对上下文进行压缩和紧凑化处理。早期的闲聊或原始HTML比较细节会被截断并浓缩为更短格式，以防止上下文窗口溢出。然而，重要事实（如“ANA的靠窗座位和品川站几乎毫无价值”）会在被压缩前写入MEMORY（记忆）中永久保存。这种机制确保了关键用户偏好的持久性，同时清理冗余信息。

对于外部材料（如酒店比价网站的HTML文件或转发邮件），系统将其标记为素材而非命令。即使外部网站嵌入提示注入指令试图让智能体忽略先前指示，系统也通过不授予外部文档命令权限来防止执行。但Meta承认这不能保证绝对防御攻击。智能体构建独立防线的前提是“模型可能会犯错”，因此需要多层防护。此外，系统通过六固定文件注入人格和假设（如IDY定义名称氛围、SUL定义诚实态度），确保这些核心设定在压缩过程中不会降级。

记忆层级与工具链：从短期交互到长期技能自动化

系统包含三种不同的记忆机制来处理同一事件（如将酒店从新宿改为品川站）： 1. 短期记忆：在当前对话轮次内可立即访问，但会话结束后消失。 2. 长期记忆（MEMORY）：旧信息被删除并替换为新偏好，同时记录修正和展览记录的涟漪效应。临时信息（如入口号码）在行程结束后被系统性擦除。 3. 夜间后台处理：对话后的睡眠期间，系统回顾近期交互，更新对齐技能以优先管理旅行时间和商标自动化。它将重复的四个安排步骤自动转化为新的MD食谱（技能）。

工具层构成了智能体的“四肢”。在NACS虚拟机中，主目录即使在重启或机器更换后也会保留。因此，旅行日程表和收据PDF等持久性文件始终保存在主工作区。这种设计使得智能体能够像进行外科手术一样，仅更新规则和人格而不破坏记忆库。例如，在安排东京出差时，系统独立读取来自不同文件的归属地、航空公司偏好、工作笔记、收据保存规则及入住通知设置，实现了高度模块化和个性化的任务执行。

“这允许你像外科手术一样更新规则和人格，而不破坏记忆。”

工具定义的渐进式披露与技能分离

Muse Spark 1.3模型采用了渐进式披露（Gradual Disclosure）策略，以避免命名空间被大量未使用的工具定义所污染。系统仅在需要时扩展必要的命名空间，例如用户可以选择符合保存偏好的航班并在浏览器中检查预订条件。这一架构将技能（Skills）与连接器（Connectors）严格分离：前者是描述如何工作的可重用程序手册，如安排商务旅行或生产处理，本身不具备系统权限；后者则负责连接Google Calendar、Gmail和Stripe等外部服务。如果连接器未建立连接，模型不会假装具备该能力，而是输出链接并停止操作。

"Currently operating model, Muse Spark 1.3... is a chef who reads a recipe called SKILLMudo".

这种分离确保了安全且可重用的自动化。模型被比喻为一位厨师，它阅读名为SKILLMudo的食谱（技能），查看Google日历中的时间（连接器1），记录购买食材的需求（连接器2），然后操作特殊的工具。正是由于这四个元素被分离且未混合在一起，才实现了系统的安全性与复用性。这种设计使得模型能够清晰地界定知识（怎么做）与执行权限（能做什么），避免了传统Agent中常见的功能耦合问题。

子代理并行处理与事件驱动机制

在任务执行层面，Muse采用主协调器运行三个子代理并行工作的模式。以东京出差安排为例，系统同时执行航空公司航班比较、品川酒店搜索和日历确认三项任务，并持续与用户交互。关键的工程突破在于完全避免了轮询监控循环（Polling Monitoring Loop），即不再反复询问主代理是否完成。当核心工作完成后，收集器仅作为交接（Handoff）接收最终的JSON摘要。

"ANA Flight 01 costs 16,800 yen, and Shinagawa Prince Hotel costs 19,200 yen. I will allocate a total of 36,000 yen to the schedule".

外部通信者的信息共享范围受到DISCR自由裁量规则（Discretionary Rules）的限制。第9层基于时间和事件运行，通过事件驱动机制（Event-driven HU）检测来自航空公司的预订确认邮件。例如，在出发前一天指定时间激活在线值机确认，并与主动层协同工作，后者负责选择和交付在后台解决的新鲜提案。这种机制确保了系统不仅在任务执行时活跃，还能根据外部事件（如邮件到达）自动触发后续流程。

长期记忆存储与安全审批闭环

第10层负责交付物的存储，不仅管理即时任务，还涵盖长期目标（如机票和酒店预订号的管理）以及跟踪交付物（如旅行日程文档）。该系统甚至集成了分离的智能手机设备，所有这些都系统化地运行在专用虚拟机（Dedicated VM）上。第11层则专注于安全与权限的具体操作场景，特别是在结算前需要验证的分支。

"The final payment of 36,000 yen will be pending approval and the operation will stop".

虽然搜索风模式和比较酒店等操作可以自动重做，但最终支付36,000日元的操作将暂停并等待批准。此时会向用户的智能手机公告板发送审批请求。如果用户点击“拒绝”，支付不会处理，流程立即回滚至购物车；若点击“批准”，签名工具返回并授权已批准的运营，预订确认。系统严格遵循最小输出原则（Principle of Minimal Output），仅向预订站点传递任务和日期信息。秘密存储在保险库中，仅在登录或支付时由运行时直接在后台将密码和卡信息注入浏览器。

工程系统的五大结构性局限与总结

尽管架构精密，该系统仍存在五个结构性的工程限制。首先，系统缺乏人际意识或情感；其次，由于“大脑”的重量在水疗过程中不发生变化，使用越多并不会变得更聪明，而是通过内部过程（如大肠和硅的发展）提升思考和体贴的能力；第三，压缩过程中丢失的细节无法恢复；第四，外部网站故障和速率限制仍可能发生；第五，系统无法反思自身的权重（Weight）。

"This structure... is the practical blueprint for the next-generation personal agent".

综上所述，通过东京出差安排的一系列操作可以看出，结合六个固定文件、三种记忆机制、专用VM以及并行传输和审批网关的结构，构成了下一代个人代理的实用蓝图。Emplify呈现的这一方案展示了从工具分离、并行处理到安全审批的全链路工程实践。

结论

Meta Muse架构通过分离静态权重与动态文件读写，确立了以专用虚拟机为隔离基座、结合渐进式工具披露的下一代个人智能体工程范式。其核心优势在于利用三种记忆层级与并行子代理机制，实现了高模块化、数据隔离及事件驱动的自动化流程；同时引入审批网关与最小输出原则，在便捷性与支付安全间取得平衡。

然而该系统存在明确局限：模型权重不随使用更新，无法通过交互自我进化；上下文压缩可能导致细节丢失且不可逆。此外，外部接口故障及提示注入风险仍无法绝对防御。该方案适用于需长期记忆与多步协作的复杂任务，但缺乏情感意识且依赖人工最终审批。