大多数现代智能体流水线，为了做一次意图分类、触发一个函数、或者给出一个布尔判断，往往要动用8B以上的生成式大模型。算力就这样被消耗掉了。laya-mlx给出的方案是另一条路：为Laya的类型化决策模型提供一个原生的Apple MLX运行时，在M3 Max上执行严格的结构化决策，耗时7到14毫秒，没有PyTorch的臃肿依赖，不会吐出幻觉JSON，全程离线执行。

路由一次智能体查询、检查输入安全、或者挑选一个动作分支，这些环节并不需要逐token的自回归生成。需要的是一个离散的、带类型的决策。跑完整的生成式模型，带来的是高延迟、解析失败和沉重的显存开销。laya-mlx的做法是把类型化决策架构和苹果的统一内存MLX框架配在一起，在本地硬件上拿到近乎即时的确定性输出。

关键特性与基准

  • 冷启动与执行速度：在Apple Silicon M3 Max芯片上，单次决策基准为7到14毫秒。
  • 零PyTorch依赖：完全构建在苹果原生MLX框架之上，容器和打包体积大幅缩减。
  • 严格类型化输出：决策直接从模型权重中产出强类型结果，不需要脆弱的JSON schema抽取或正则解析。
  • 统一内存效率：占用极小，可以和繁重的开发任务一起在后台轻松运行。
  • 零云端泄露：完全气隙隔离的运行时，企业级隐私，且没有按token计费的API成本。

上手方式

安装只需一行：pip install laya-mlx。在Python里跑一次超低延迟的类型化决策，流程是这样的：从laya_mlx导入LayaDecisionEngine，用from_pretrained加载"laya/intent-router-v1"初始化MLX运行时引擎，然后传入上下文执行决策。

示例上下文是一句用户指令："取消我当前的订阅并导出我的工作区数据。"引擎返回的decision对象里，action_type为'SUBSCRIPTION_CANCEL'，confidence为0.98，latency_ms约为8.42毫秒。动作类型、置信度、延迟，三项都是结构化字段，直接可读。

谁会用得上

智能体架构师可以把慢吞吞的基于LLM的意图路由器换掉，在把任务交给更重的模型之前，先用微秒级的决策层过一遍。本地AI与边缘开发者可以做出响应迅速的macOS后台工具和实时交互应用，即时反应又不耗电池。安全与护栏工程师可以在用户输入打到外部API之前，在本地跑实时的安全门控和策略检查。

这套东西的定位很明确：不是替代大模型，而是把那些本就不该由大模型来做的判断，挪到一个更轻、更快、更确定的层上。7到14毫秒这个数字，放在智能体流水线里，意味着路由环节几乎不再是被感知到的等待。