💥厉害了！0.3秒拍板，大模型终于不当保姆了！将Jev深度融合进Harness，让 Jev 和 Laya 兼而得之！ 大模型是发动机，Harness 才是整台车。每一轮对话里那几百个没人认真做的小决定，终于有人接了，本地执行走 Laya，判定又快又稳。 核心亮点： 🔹Jev 接管 35 个判定点：新任务还是纠错、输出哪几块有用、命令是不是你要的、做完验过没有——一次约 0.3 秒，几乎无感。 🔹本地由 Laya 执行：微决策不下放到大…

事件核心：发生了什么

根据 @NFT_Chen 发布的信息，mu 项目提出了一套”大模型是发动机、Harness 才是整台车”的架构思路。具体做法是：把 Jev 判定模型接入 Harness，接管约 35 个判定点，包括判断一轮输入是新任务还是纠错、输出中哪些块真正有用、命令是否符合预期、任务完成后是否经过验证等，单次判定耗时约 0.3 秒。微决策不再下发给大模型，而是由本地 Laya 直接执行，以降低延迟和成本波动。

同时，项目对上下文做了严格裁剪：无用技能和 MCP 不进入上下文，工具输出逐块过滤，重复日志折叠，过期结果丢弃。干活和说话拆成两套模型——Jev 负责挑出真正的新消息，再交给更擅长自然语言的模型（原文举例 Claude Opus 4.6）向用户表达，避免”人话”污染执行上下文。在多智能体场景中，Jev 还充当蜂群之间的闸门，决定信息说不说、传给谁、前后是否对得上。目前公开信息显示，桌面端支持 macOS / Windows / Linux，命令行可通过 npm i -g mu-agent 安装，代码托管在 GitHub 的 qybaihe/mu。

为什么重要

当前 Agent 的主要成本与延迟来自”每一步都让大模型逐 token 决策”。mu 的思路是把微决策从大模型里剥离出来，交给更轻的判定模块和本地执行层，这与近期斯坦福×英伟达开源 CLM（用向量相似度选动作、号称决策快 13 倍）的方向一致：行业正在把”动作选择”和”语言生成”解耦。对 Agent 产品而言，这意味着推理成本结构可能改变，大模型算力更多花在真正需要生成的任务上，而高频小判定由本地承担，商业化的单位成本更可控。

对用户/开发者/创作者的影响

对开发者，mu 提供了可直接试用的入口（桌面端安装或 npm 全局安装），适合评估”判定层 + 执行层”分离是否真能压低延迟。对重度 Agent 用户，上下文过滤和日志折叠若能稳定生效，长任务里的无关信息干扰会减少。对创作者和内容团队，Jev 挑新消息、表达能力更强的模型负责输出的分工，可能让多智能体协作的中间噪音变少。需要注意，35 个判定点、0.3 秒、Claude Opus 4.6 等均为原帖说法，实际效果仍需本地验证。

AI 工具推荐

想把多个 AI 模型放在一个入口？

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。

值得关注的后续

一是 mu 是否公布判定准确率与真实延迟基准，而不只是单次 0.3 秒；二是 Jev 与 Laya 是否开放 API 或可替换，决定它能否被其他 Harness 生态采用；三是面对 CLM 等开源竞品，这套”判定+本地执行”路线在成本与稳定性上的实测对比。

来源：@NFT_Chen