執行時、模型配置與專家

MindMux 把討論行為與執行基礎設施分開。

專家角色（Experts）

專家角色決定應用內會話的討論風格。它屬於討論層，負責定義立場、推理方式或任務框架。

MindMux 在對話層故意使用 Expert 這個術語，就是為了把討論角色和執行代理區分開。

當前內建 7 個專家：

• general（通用專家）
• minimalist（極簡專家）
• critic（批判專家）
• structured（結構化專家）
• first-principles（第一性原理專家）
• systems（系統專家）
• risk（風險專家）

使用者也可以建立自定義 Expert，儲存在 brain/experts.json。

代理（Agents）

代理更適合描述執行上下文，尤其是那些被派發出去的工作，比如編碼任務或審查任務。

執行時（Runtimes）

執行時是會話或任務背後的模型執行系統。當前可用的執行時：

• Claude Code：固定使用 anthropic 協議。
• Codex：固定使用 OpenAI Responses API。

模型配置（Profiles）

使用者在應用裡選擇的是一組可用模型配置：它決定使用哪個執行時、哪個模型，以及必要的連線資訊。

內建模型配置會複用本機已有登入狀態，例如 Claude Code CLI 或 Codex OAuth。使用者也可以在設定裡新增自己的 API 配置。

從使用角度看，不需要區分更多內部細節：只要某個模型配置顯示為可用，就可以用於會話；當任務支援該執行方式時，也可以用於任務派發。

協議邊界

協議是執行時的屬性，不是每個模型配置都可以隨意切換的選項：

• Claude Code 固定走 anthropic 相容協議。
• Codex 固定走 Responses API；Chat Completions 協議已不支援。

因此，MindMux 不做“任意 OpenAI 相容生態的中間層”。如果某個 provider 只提供 Chat Completions，建議改用該 provider 的 anthropic 相容介面，並配置為 Claude Code profile。

為什麼要這樣拆

知識層應該在模型供應商和執行棧變化時仍然保留下來。透過把專案大腦和執行時分開，MindMux 可以讓專案記憶保持穩定，同時執行工具可以隨時間演化。

模型與強度選擇

執行時系統也提供模型選擇，以及控制強度或推理層級的選項（如果執行時支援）。這些設定與會話強相關，而不是藏在實現內部的細節。

把配置當成一等工作流

MindMux 把執行時和聯結器配置當作產品級行為。應用中提供了面向配置的專家角色流程，而不是把初始化簡化成一個沒有引導的原始設定表單。