玄姐聊AGI公众号文章2026-10-12

最近爆火的 Meta Muse 浙大开源版架构设计剖析

未分类

玄姐聊AGI

公众号 · 33 篇文章

查看主页 →

大家好，我是玄姐。

PS：AI 落地点击预约直播。

上一篇我们拆了腾讯开源的 Octop，一个家庭和小团队共用的 AI 助手平台。今天再拆一个方向完全不同、但同样值得关注的开源项目：nanoMuse。

开源地址：https://github.com/nano-muse/nanoMuse

它的官方定位只有一句话：An open-source personal agent for every device you own.一个开源的个人 Agent，装在你拥有的每一台设备上。

项目来自浙江大学团队，配套论文《nanoMuse: An Open-Source Personal Agent for Every Device You Own》已经发在 arXiv（2610.08699）。协议是 GPL-3.0。

如果说 Octop 是「一台服务器，服务一家人」，那 nanoMuse 就是「一个人，拥有一个跟着自己走的 AI 分身」。下面我从架构师视角，一层层拆开看。

PS：AI 更多案例深入免费学习去这里，扫码直达：

1.打开 AITutor 新一代 AI 原生学习伙伴：www.aiaitutor.com 2.在首页输入"你想学习的AI知识” 就能看到更详细更丰富案例。3.包含了图文、视频、播客、闪卡、代码、测验等9种学习模态。

一、先说结论：nanoMuse 想解决什么问题

1.1 从「助手」到「个人 Agent」的三代演进

论文开头把 AI 助手的演进讲得很清楚：

2011 年的语音助手：你问一句，它答一句，被动应答。
2023 年的任务型 Agent：你给一个任务，它干完就停，不记得你是谁。
个人 Agent：它有你的账号、能操作你的设备、记得你几周前说过的话，还会在值得的时候主动找你，并对自己做的事负责。

论文给个人 Agent 下的定义，我认为非常精准：它是一套软件，而不是一个模型。模型只是大脑，账号、设备、记忆、权限、主动性，这些才是让它成为「你的」Agent 的关键。

1.2 为什么要做开源版

论文提到，Meta 推出的 Muse 已经展示了个人 Agent 的样子，但它跑在厂商的封闭云端虚拟机里，而且只在部分国家可用。

nanoMuse 要做的就是它的开源对应物：Agent 跑在你自己的手机、电脑或自己的服务器上，模型由你自己选，记忆是你能直接打开看的文件。

一句话：Muse 是厂商云上的 Agent，nanoMuse 是你自己设备上的 Agent。

二、总体架构：每台设备一个 Agent，一个中继串起来

2.1 核心思路：Agent 下沉到设备

nanoMuse 最核心的架构决策是：不是在云端跑一个 Agent 去远程操作你的设备，而是在每一台设备上都跑一个 Agent。

手机端：Android APK 里内置了一个完整的 Alpine Linux（通过 proot 运行，不需要 root），Shell、浏览器、MCP、Skills、定时任务全都在 APK 里。手机端基于开源项目 OpenMinis 1.13 改造而来。
电脑端：nanoMuse Desktop，基于 DeepSeek Harness 构建，屏幕操作模块移植自字节跳动开源的 UI-TARS-desktop，用 Python 运行时操作电脑屏幕。
网页端：Web 控制台，以及一个模拟手机界面的在线 Demo。

平台覆盖上，Android 是最成熟的一端，桌面端（macOS、Windows、Linux）和 iOS（TestFlight 测试版）在陆续推出，路线图里还规划了智能眼镜。

2.2 中继：只传对话，不传文件

多台设备怎么协同？靠一个中继（Relay）：

设备登录同一个账号后，通过中继连接，共享同一段对话。
中继只传对话文本，文件和截图留在生成它们的那台设备上。
中继任何人都可以自己部署：bash scripts/self-host.sh --local 就能搭起自己的中继。

这个设计很聪明：数据不集中，隐私面最小。截图里可能有你的聊天记录、银行余额，这些东西根本不出设备。

2.3 跨设备协同：手机下指令，电脑去执行

有了中继，就能实现跨设备协作：

在手机上说一句话，电脑去干活：比如出门在外，让家里电脑跑一份报表。
审批回到你手上：电脑执行到需要你确认的步骤，审批请求会推回你手边的手机。

这才是「every device you own」的真正含义：不是每台设备各干各的，而是你所有的设备共享一个「你」的 Agent。

三、Hands：没有 API 的应用也能操作

3.1 看屏幕，动手

现实中大量应用根本没有 API，怎么办？nanoMuse 的答案是Hands：

开启后，Agent 会截图、做一个动作、再截图，像人一样一步步操作手机 App 和电脑窗口。注意，它看的是截图，而不是无障碍树。

Hands 默认关闭，需要用户主动开启。

3.2 尝试顺序：能不点屏幕就不点

这是玄姐认为 nanoMuse 最工程化的设计之一。Agent 完成任务时，有一个明确的优先级：

优先用 Skills、CLI 或 MCP：最稳定、最快。
其次用带登录态的网页抓取。
再次用应用内浏览器。
最后才去操作手机屏幕。

为什么这么排？因为屏幕操作是最慢、最脆弱、最容易出错的方式。能走接口就走接口，屏幕操作只作为兜底。

这和我们做企业 Agent 的原则完全一致：确定性的通道优先，概率性的通道兜底。

3.3 长任务不提前放弃

驱动手机时屏幕保持常亮；任务执行到 200 步时，Agent 会问你要不要继续，而不是自己悄悄停掉。长任务的控制权，始终在人手里。

四、Sentinel：所有动作都要过一道关

4.1 先问再做

能操作你的手机、能用你的账号，这样的 Agent 如果没有护栏，后果不堪设想。

论文提到，nanoMuse 的所有动作都要经过一个叫 Sentinel 的机制。落到产品上，就是「先问再做（ask-first）」：

不可撤销的操作必须先确认：删除、发送、付款，执行前一律停下来等你批准。
授权粒度可选：仅这一次、仅本次对话，或者对某个收件人、域名、文件夹始终允许。
授权可撤销：在权限页随时收回。
密码和验证码永远你自己输：登录环节由用户接管，Agent 不碰你的凭证。

4.2 点评

这套设计的精髓在于授权粒度。全部都要确认，用户会烦死；全部放开，又太危险。「一次、本次对话、对某个对象始终允许」这三档，正好在安全和效率之间找到了平衡。

企业做 Agent 治理时完全可以照搬这个思路：按操作的可逆性分级，按对象的信任度授权。

五、记忆：用 Markdown 文件，而不是黑盒向量库

5.1 五类记忆文件

nanoMuse 的记忆全部是用户可以直接阅读、直接编辑的 Markdown 文件：

文件	存什么
SOUL.md	Agent 的身份与人设
USER.md	Agent 对你的了解
GLOBAL.md	全局长期记忆
日记	按时间记录的记忆
HEARTBEAT.md	Agent 的唤醒时间，决定它何时主动找你

另外还支持「导入记忆」，可以把其他 AI 助手的记忆迁移过来。

5.2 为什么用文件存记忆

很多 Agent 的记忆藏在向量数据库里，用户根本不知道它记住了什么、记错了什么。nanoMuse 用明文 Markdown，好处非常直接：

可读：它记住了你什么，打开文件一目了然。
可改：记错了，直接改；不想让它记，直接删。
可迁移：换设备、换工具，文件拷走就行。

记忆的所有权，应该属于用户。这是玄姐非常认同的一点。而且你会发现，这和现在主流编码 Agent 用 AGENTS.md、CLAUDE.md 这类文件管理上下文的思路是一脉相承的：文件即记忆，文件即规范。

六、主动性：Agent 不只是等你开口

个人 Agent 和普通助手最大的区别，是会主动。nanoMuse 在这方面做了三件事：

目标检查：在对话中定下一个目标，Agent 会按计划在独立对话里定期检查进展。
例行任务：即使 App 关闭，例行任务也能照常运行。
晨报（Feed）：每天早上，根据它对你的了解和你关注的内容，生成 3 到 6 条短帖。你可以点赞、在侧边栏展开讨论，或者直接删掉。

晨报这个设计很有意思：它不是推送新闻，而是推送「它认为你会关心的事」。你的每一次点赞和删除，都是在训练它更懂你。

七、形象与渠道：让 Agent 有温度

7.1 可以「长成」你想要的样子

用一句话描述形象，由你配置的图像模型生成几张候选，选一张喜欢的。应用会为「工作中、等待、开心、抱歉」等状态生成不同姿态和动效；如果配置了视频模型，每个状态还能生成一段短循环视频。

默认形象是一只淡黄色的小龙。

7.2 接入常用 IM

除了自己的 App，nanoMuse 还能接入飞书、钉钉、企业微信和 Telegram，在你最常用的聊天工具里直接对话。

八、模型：你来选

nanoMuse 不绑定任何模型，提供三种接入方式：

中继的免费额度：开箱即用。
自带 Key：支持约 18 家服务商，包括百炼、DeepSeek、OpenAI、Gemini、OpenRouter 等。
复用已有订阅：直接用你已经开通的 ChatGPT、Claude、Kimi 套餐。

如果你选的服务商没有图像或视频模型，形象相关功能会自动关闭。

九、nanoMuse、Meta Muse、Octop 三方对比

维度	Meta Muse	nanoMuse	Octop
开源	闭源	GPL-3.0	MIT
运行位置	厂商云端虚拟机	你自己的每台设备	你自己的一台服务器
服务对象	个人	个人	家庭和小团队，多用户
核心特色	个人 Agent 的产品示范	跨设备、操作屏幕、先问再做	多 Agent 专家团队、ACP 调度编码 Agent
模型	厂商指定	用户自选	用户自选

一句话区分：Octop 是「家庭和团队共享的 AI 助手平台」，nanoMuse 是「跟着你走的个人 AI 分身」。

另外提醒一点：nanoMuse 是 GPL-3.0 协议，比 Octop 的 MIT 严格。基于它二次开发后对外分发，衍生代码也必须开源。企业如果想拿来做商业产品，这一点要提前评估。

十、5 分钟上手

10.1 直接用

从 GitHub Releases 下载对应平台的安装包。
打开应用，用邮箱或中国大陆手机号登录。
手机、电脑、网页共享同一个账号和对话。

两个小提示：macOS 版本未公证，第一次打开需要右键选择「打开」；Windows 需要点「仍要运行」。

10.2 自托管

bash scripts/self-host.sh --local   # 搭建自己的中继docker compose up -d app            # 在服务器上运行网页端

十一、Roadmap：还差什么

论文和仓库里都很坦诚地列出了尚未完成的部分：

带溯源的记忆：记住一件事的同时，记住它是从哪来的。
Hands 的评估套件：屏幕操作到底有多准，需要一套标准评测。
适配的开放模型：让开源模型也能很好地驱动这套 Agent。
多端扩展：桌面端、iOS、自托管网页版逐步完善，后续还有智能眼镜。

我最看好「带溯源的记忆」。Agent 记住的每一条信息都能追溯来源，才能判断它是否过期、是否可信。这和我们做企业知识飞轮时强调的「知识要有置信度、要能老化退场」，是同一个问题。

十二、判断：企业能从 nanoMuse 学到什么

12.1 适合谁

个人极客：想要一个数据不出设备、能跨手机电脑协同的 AI 分身，nanoMuse 是目前少有的开源选择。
研究者和开发者：有论文、有代码、有对标对象，是研究个人 Agent 架构非常好的样本。

12.2 上生产要注意什么

项目还在早期：版本号还在 0.x，Star 数几百，功能和接口变化会比较快。
GPL-3.0 协议：商业化前要做好合规评估。
屏幕操作的稳定性：基于截图的界面操作天然有不确定性，关键流程不要只依赖 Hands。

12.3 最值得借鉴的四个设计

Agent 下沉到设备，中继只传文本：数据不集中，隐私面最小。
能力调用有优先级：接口优先，屏幕兜底，确定性通道优先于概率性通道。
按可逆性分级授权：不可撤销的操作必须确认，授权粒度可选、可撤销。
记忆即文件：可读、可改、可迁移，记忆的所有权属于用户。

十三、总结

最后，用五句话把 nanoMuse 浓缩一下：

定位：开源的个人 Agent，装在你拥有的每一台设备上，对标 Meta Muse。
架构：每台设备一个 Agent，中继只传对话，文件和截图不出设备。
能力：Hands 操作屏幕，接口优先、屏幕兜底，跨设备协同。
治理：Sentinel 把关，不可撤销的操作先问再做，凭证永远由你输入。
记忆：SOUL.md、USER.md、HEARTBEAT.md 等明文文件，记忆归你所有。

个人 Agent 的竞争，最终比的不是谁的模型更强，而是谁更值得你托付账号、设备和记忆。开源、可审计、可自托管，就是赢得这份信任最直接的方式。

如果你对企业级 AI 原生研发体系（Skills、SDD、Harness、Loop、知识飞轮、治理度量）感兴趣，去 AITutor 领取福利。

AITutor 福利：AITutor 每个人的 AI 原生学习伙伴，业界最丰富 AI 实践和案例，4500+ 门多模态 AI 课程、7×24 小时 AI 导师已全面开放，快来免费体验吧。

打开 AITutor，新一代 AI 原生学习伙伴：www.aiaitutor.com
在首页输入「你想学习的 AI 知识」，就能看到更详细、更丰富的案例
包含图文、视频、播客、闪卡、代码、测验等 9 种学习模态

扫码直达：

PS：AI 落地点击预约直播。

十四、总结

扫码加我👇有很多不方便公开发公众号的我会直接分享在朋友圈，欢迎你扫码加我个人微信来看👇

加星标★，不错过每一次更新！

⬇戳”阅读原文“，立即体验 AITutor

前往微信阅读全文

内容来自公众号，可前往微信查看原文。