美团 CatPaw 全场景 AI Agent 架构拆解：从 LongCat-2.0 模型到 Managed-Agents 企业级平台

写在前面

2026 年 7 月，美团正式上线全场景 AI Agent 平台 CatPaw，搭载自研开源大模型 LongCat 2.0（1.6T MoE、MIT 协议）。这并非一个孤立的发布事件，而是一条从编辑器插件演进到企业级 Agent 托管平台的完整技术链路。本文从模型底层（LSA 稀疏注意力、MOPD 专家路由）到平台工程层（三端协同、Managed Agents、技能沉淀）做一次端到端的架构拆解。

一、CatPaw 平台定位与演进历程

1.1 三阶段演进路线

CatPaw 并非"重新发明轮子"，而是一条务实的渐进式技术路线，其演进可清晰划分为三个阶段：

┌─────────────────────────────────────────────────────────────────────┐
│                      CatPaw 演进时间线                              │
├──────────────┬──────────────────────────────────────────────────────┤
│ 2023 年      │ 编辑器插件形态内部落地（IDE 插件，内部稳定运行 2 年） │
│              │ 定位：单点代码补全提效                                │
├──────────────┼──────────────────────────────────────────────────────┤
│ 2025-11-10   │ CatPaw AI IDE 正式公测                               │
│              │ 定位：Agent + AI 集成开发环境（对标 Cursor 交互基底） │
├──────────────┼──────────────────────────────────────────────────────┤
│ 2026-07-28   │ 全场景 AI Agent 平台正式上线                         │
│              │ 定位：个人提效 + 企业级 Agent 开发托管（Managed Agents）│
└──────────────┴──────────────────────────────────────────────────────┘

1.2 内部落地规模

CatPaw 在正式对外发布前，已在美团内部完成大规模验证，其落地指标在国内同类型产品中处于第一梯队：

指标	数据	说明
员工覆盖	9 万	全员规模覆盖
累计 Agent 数	3 万+	内部搭建的 Agent 数量
研发渗透率	> 95%	研发人员日常使用比例
增量代码 AI 生成率	> 50%	新增代码中 AI 生成的占比
补全延迟	< 150ms	代码补全响应延迟

1.3 双面身份

CatPaw 的特殊性在于它同时承担两个角色，对应两条不同的技术栈：

AI 编程 IDE：面向开发者的智能工作台，核心是 LongCat-Flash 编程特训模型 + Ask/Agent 双模式 + 工具链闭环；
全场景 Agent 平台：面向企业与个人的自主执行平台，核心是 LongCat 2.0 + Managed Agents + 行业专家技能包。

这两条线在底层共享同一套模型家族（LongCat），但在上层工程实现上分别面向"开发者编码"与"业务任务自动化"两个截然不同的场景。

二、整体架构设计

2.1 三端协同架构

CatPaw 最具辨识度的架构特征是移动端 / PC 端 / 云端三端协同，其核心设计目标是"全时段运行 + 任务不依赖设备在线"。

┌──────────────────────────────────────────────────────────────────────────┐
│                        CatPaw 三端协同架构                               │
└──────────────────────────────────────────────────────────────────────────┘

  ┌─────────────────┐      ┌─────────────────────┐      ┌────────────────┐
  │   移动端 App    │      │    PC 客户端        │      │  云端 7×24 常驻 │
  │                 │      │                     │      │                │
  │ · 随时发起任务  │      │ · 文件读写/修改     │      │ · 长程任务持续 │
  │ · 查看进度      │      │ · 浏览器控制        │      │ · 定时任务调度 │
  │ · 远程确认决策  │      │ · 终端命令执行      │      │ · 设备离线不断 │
  │ · 结果接收      │      │ · 完整深度执行能力  │      │ · 资源动态扩缩 │
  └────────┬────────┘      └──────────┬──────────┘      └───────┬────────┘
           │                          │                          │
           │     双端任务实时同步      │     任务状态回流          │
           └──────────────┬───────────┘                          │
                          │                                      │
                          ▼                                      │
              ┌───────────────────────────┐                      │
              │    任务同步与调度中枢      │◄──────────────────────┘
              │  (Task Sync & Scheduler)  │
              └─────────────┬─────────────┘
                            │
                            ▼
              ┌───────────────────────────┐
              │   LongCat 模型推理服务    │
              │  (LongCat-Flash / 2.0)    │
              └───────────────────────────┘

关键设计要点：

云端不依赖设备在线：长程任务与定时任务在云端持续运转，即使本地设备关机或断网也不受影响，完成后随时打开手机或电脑查看成果。
双端能力互补：移动端侧重"发起 + 确认 + 接收"，PC 端侧重"本地深度执行"（文件操作、浏览器控制、终端命令）。
典型工作流：地铁上手机发起任务 → 云端持续运行 → 到办公室电脑查看结果，任务在中间无需人为接续。

2.2 Ask / Agent 双模式

CatPaw IDE 的核心交互范式是 Ask / Agent 双模式，覆盖从轻量问答到全自动开发的全场景。两种模式的本质区别在于"执行权"的归属。

维度	Ask 模式	Agent 模式
行为	只读问答，需手动 Apply 修改	自主执行：读/改文件、运行命令、查文档、调 API
执行权	用户持有（模型仅建议）	模型持有（在授权范围内自主操作）
安全性	高（无副作用）	中（高危操作需确认）
文件修改	不直接写盘，输出建议	直接读写文件系统
命令执行	不执行	可执行终端命令（支持 auto-run 开关）
典型场景	代码解读、Bug 定位、方案咨询	新建工程、全栈开发、自动化测试
底层数据流	单轮请求-响应	多轮 ReAct 循环 + 工具调用

设计哲学：Ask 模式保证"绝对安全"，适合需要人工把关的场景；Agent 模式追求"端到端交付"，适合目标明确、可自动化的任务。开发者可在 Agent → Add Mode 中按"最小权限原则"勾选工具集，自定义 Agent 的能力边界。

2.3 多 Agent 自主协同架构

面对跨领域的复杂任务，CatPaw 采用动态任务拆解 + 多 Agent 并发调度的协同架构。这是从单 Agent ReAct 循环向多 Agent 编排的关键升级。

┌──────────────────────────────────────────────────────────────────────┐
│                   多 Agent 自主协同架构                               │
└──────────────────────────────────────────────────────────────────────┘

                         ┌──────────────────┐
                         │   用户目标输入   │
                         │ "帮我做 X + Y"   │
                         └────────┬─────────┘
                                  │
                                  ▼
                    ┌──────────────────────────┐
                    │   Planner 规划器         │
                    │  · 动态任务拆解          │
                    │  · 依赖关系分析          │
                    │  · 并发度评估            │
                    └────────────┬─────────────┘
                                 │
              ┌──────────────────┼──────────────────┐
              │                  │                  │
              ▼                  ▼                  ▼
     ┌────────────────┐ ┌────────────────┐ ┌────────────────┐
     │  Agent-A       │ │  Agent-B       │ │  Agent-C       │
     │  独立沙箱环境  │ │  独立沙箱环境  │ │  独立沙箱环境  │
     │  专属工具集    │ │  专属工具集    │ │  专属工具集    │
     │  进度实时上报  │ │  进度实时上报  │ │  进度实时上报  │
     └────────┬───────┘ └────────┬───────┘ └────────┬───────┘
              │                  │                  │
              └──────────────────┼──────────────────┘
                                 │
                                 ▼
                    ┌──────────────────────────┐
                    │   结果自动汇总聚合器     │
                    │  · 交付 Excel/报告/代码  │
                    └──────────────────────────┘

协同机制的核心特征：

独立环境隔离：各 Agent 在独立沙箱中运行，互不干扰，避免文件竞争与状态污染；
进度实时可见：每个 Agent 的执行步骤实时上报，用户可随时查看；
结果自动汇总：子任务完成后由聚合器统一交付可用成果（Excel、可视化报告、代码等）；
并发调度：无依赖关系的子任务并发执行，缩短整体完成时间。

三、LLM 后端：LongCat 模型家族

CatPaw 的模型底座是美团自研的 LongCat 模型家族，其中两个关键成员分别服务不同场景。

3.1 LongCat-Flash（IDE 编程模型）

LongCat-Flash 是 CatPaw IDE 的核心驱动模型，定位为"编程特训、低延迟、高吞吐"：

训练数据：20T+ tokens，其中包含大量编程语料专项强化；
优化方向：代码补全延迟 < 150ms，侧重单 Token 生成吞吐与工具调用稳定性；
应用层：IDE 中的代码补全、Ask/Agent 默认模型、@Docs 知识问答。

3.2 LongCat 2.0（平台核心模型）

LongCat 2.0 是 CatPaw 全场景 Agent 平台的核心推理引擎，于 2026 年 6 月 30 日发布技术方案，7 月 5 日完成全量 MIT 开源。其核心参数如下：

指标	参数详情
模型总参数量	1.6T（1.6 万亿）MoE 架构
单 Token 激活参数	约 48B（动态范围 33B ~ 56B）
原生上下文窗口	1M tokens（100 万）
预训练数据规模	30T+ tokens（官方技术博客口径 35T+）
训练算力	5 万张国产 AI ASIC 卡（业界首个全流程国产算力训练的万亿参数模型）
开源协议	MIT（商用无限制，完整权重 + 推理源码）
训练稳定性	全程无回滚、无不可逆 loss spike

国产算力关键意义：LongCat 2.0 的预训练与大规模部署完全建立在 AI ASIC superpods 之上，预训练跨越数百万加速器日，证明在非 Nvidia 生态上也可完成前沿规模训练。

3.3 LongCat 2.0 三大核心技术

LongCat 2.0 并非简单堆参数，其架构设计包含三个正交的核心创新。

① LongCat Sparse Attention（LSA）稀疏注意力

传统 Transformer 自注意力复杂度为 O(n²)，序列长度翻倍则计算量翻四倍，对 1M 上下文窗口完全不可行。LSA 是 DeepSeek Sparse Attention（DSA）的演进版，针对 DSA 中 Lightning Indexer 的"输出不连续"与"二次打分开销"两个瓶颈，引入三层正交优化：

┌──────────────────────────────────────────────────────────────────────┐
│              LongCat Sparse Attention (LSA) 三层正交索引架构         │
└──────────────────────────────────────────────────────────────────────┘

   输入序列 (1M tokens)
        │
        ▼
 ┌──────────────────────────────────────────────────────────┐
 │  ① SI 流式索引 (Streaming-aware Indexing)                │
 │  · 将 Token 选取预算做硬件对齐重排                       │
 │  · 碎片化内存读取 → 连续有序访问 (coalesced HBM access)  │
 │  · 释放高有效带宽，降低长文本 IO 开销                    │
 └──────────────────────┬───────────────────────────────────┘
                        │
                        ▼
 ┌──────────────────────────────────────────────────────────┐
 │  ② CLI 跨层索引 (Cross-Layer Indexing)                   │
 │  · 利用相邻层注意力显著度的经验稳定性                    │
 │  · 单次索引结果复用至多层计算 (amortize indexing cost)   │
 │  · 训练期跨层蒸馏 (cross-layer distillation) 保证一致性  │
 │  · 推理期：每 2 个连续层共享 1 次索引 (target model)     │
 └──────────────────────┬───────────────────────────────────┘
                        │
                        ▼
 ┌──────────────────────────────────────────────────────────┐
 │  ③ HI 分层索引 (Hierarchical Indexing)                   │
 │  · 两阶段粗到细打分 (coarse-to-fine)                     │
 │  · 第一阶段：块级近似打分粗召回 (block-level)            │
 │  · 第二阶段：候选集内精细 Token 选取 (fine-grained)      │
 │  · 训练免 (training-free)，仅超长上下文任务启用          │
 └──────────────────────┬───────────────────────────────────┘
                        │
                        ▼
              稀疏注意力计算 (线性级复杂度)
              O(n²) ──────► O(n)

三层正交性的工程价值：SI、CLI、HI 三者可独立启用/禁用。这种正交设计意味着不同部署环境（显存受限 vs. 算力受限 vs. 极长上下文）可灵活组合，而非"一刀切"。LSA 还延伸到 3-step Multi-Token Prediction（MTP）模块以加速投机解码——在 MTP 中所有 3 个 draft step 共享 step 1 生成的索引集。

② N-gram Embedding 多粒度嵌入层

LongCat 2.0 继承自 LongCat-Flash-Lite 的 N-gram Embedding 技术，内置 135B 专用嵌入参数，n-gram size 配置为 5。其设计遵循两条缩放原则：

MoE 稀疏性已跨过甜点：即便不考虑 N-gram Embedding，模型稀疏度已达约 97%，此时再为专家扩展 135B 参数收益微乎其微；同等参数规模的 N-gram Embedding 收益远超标准专家。
比例约束在最优区间：缩放实验表明，当 n-gram embedding 参数占比超过总预算 50% 时，其相对专家扩展的优势消失。LongCat 2.0 将该比例严格控制在 10% 以内。

工程收益：将参数从专家迁移到 N-gram Embedding，可减少大 batch 解码时的内存 I/O，加速生成。

③ MOPD + Zero-Compute Experts 动态专家路由

LongCat 2.0 在后训练阶段引入多教师学习与专用专家组设计，采用 MOPD（Multi-Operation-Pooling-Decoder）架构整合三类专家能力，配合 Zero-Compute Experts 休眠机制实现动态激活。

专家类型	专攻能力	训练优化重点
Agent Experts	复杂真实场景的自主任务执行（代码、工作、检索等垂直领域 SOTA）	端到端任务成功率 + 原子能力（精确工具调用、多轮 API 参数解析、自我纠错抑制无限循环/重复调用）
Reasoning Experts	深度逻辑推理、按问题难度自适应计算	数学、STEM 求解、多跳推理任务
Interaction Experts	人类对齐与用户体验优化	细粒度指令遵循、抑制事实幻觉、建立有界安全机制且不损害有用性

Zero-Compute Experts（零计算专家）休眠机制：闲置专家进入休眠状态，单次推理仅动态激活 33B ~ 56B 参数，无冗余算力消耗。这是 1.6T 总参数却只需 ~48B 激活算力的关键——既保留能力上限，又控制推理成本。

四、Managed Agents 企业级架构

CatPaw Managed Agents 是企业级 AI Agent 开发与托管平台，提供开箱即用的工程底座。其核心价值是"无需从零搭建底层基建，即可快速构建、部署与管理专属 Agent"。该平台由四大支柱构成。

4.1 四大支柱

① 数字员工系统

数字员工是运行在飞书、企微等 IM 中的 AI 虚拟同事，@ 即可唤醒。其工程特征：

扫码即用：平台预置多种角色模板，扫码即激活；
行业模板：美团本地生活积累沉淀为专属模板，非通用聊天机器人，而是理解业务的行业 AI 助手；
对话生成：通过 AI 对话描述需求，快速生成专属数字员工；
全自动部署：从 Agent 创建到环境部署、会话初始化全程自动完成，无需手动配置；
在线管理：提示词、知识库、凭证、工具均支持在线管理，团队按业务场景灵活搭建。

② 企业级安全架构

安全是企业落地的硬门槛，CatPaw 的安全设计覆盖四个层面：

安全维度	实现机制
运行环境隔离	Agent 运行环境严格隔离，租户间数据互不可见
凭证集中托管	凭证集中托管，确保 Agent 全程零接触敏感资产
分级权限管控	支持分级权限管控，满足企业最小权限原则
私有化部署	支持私有化部署，全面满足合规与安全审计要求

"凭证零接触"是关键设计：Agent 调用外部 API 时，凭证由平台集中注入，Agent 代码本身不持有任何密钥，从架构上杜绝凭证泄露风险。

③ Agent 托管运行

托管运行层解决"持续在线 + 成本可控"的矛盾：

按需配置运行环境：一键托管上线；
资源动态扩缩：根据负载弹性伸缩；
百毫秒级冷启动：沙箱环境轻量隔离，冷启动延迟控制在百毫秒级；
闲时自动释放：空闲资源自动回收，兼顾响应速度与成本。

百毫秒级冷启动的实现依赖于轻量沙箱与预热池技术，这是支撑"@ 即唤醒"体验的工程基础。

④ 可视化运维

┌──────────────────────────────────────────────────────────┐
│              统一运维管理界面                             │
├──────────────────────────────────────────────────────────┤
│  ┌────────────────┐  ┌────────────────┐                  │
│  │ 会话记录留存   │  │ 在线调试       │                  │
│  │ 完整可追溯     │  │ 实时排查问题   │                  │
│  └────────────────┘  └────────────────┘                  │
│  ┌────────────────┐  ┌────────────────┐                  │
│  │ 模型调用量统计 │  │ 消耗明细       │                  │
│  │ 清晰可见       │  │ 成本可查       │                  │
│  └────────────────┘  └────────────────┘                  │
└──────────────────────────────────────────────────────────┘

多维度数据统计与分析帮助团队持续评估 Agent 表现、优化运行效果，形成"运行 → 观测 → 优化"的闭环。

五、多场景任务处理机制

5.1 专家 + 技能两层架构

CatPaw 的能力组织采用专家（Expert）+ 技能（Skill）两层架构：

专家：集成多项技能与子代理，高效完成特定领域的复杂任务。从专家广场一键安装即可使用，也可通过对话将个人工作方式封装为专属专家，团队共享复用。
技能：平台内置丰富技能库，开箱即用，是构成专家能力的原子单元。

┌──────────────────────────────────────────────────┐
│              专家 (Expert)                        │
│  ┌──────────┐ ┌──────────┐ ┌──────────┐         │
│  │ 技能 A   │ │ 技能 B   │ │ 子代理 C │         │
│  └──────────┘ └──────────┘ └──────────┘         │
└──────────────────────────────────────────────────┘
        ▲                          ▲
        │ 一键安装                  │ 对话封装
        │                          │
  专家广场                     个人工作流

5.2 操作录制 → 技能沉淀（核心差异化能力）

这是 CatPaw 最具差异化的能力之一。内嵌浏览器支持操作过程一键录制，将日常高频流程自动生成专属技能：

用户在浏览器中手动操作流程
        │
        ▼
 ┌──────────────────────────┐
 │  操作录制器 (Recorder)   │
 │  · 捕获点击/输入/导航    │
 │  · 记录页面状态变化      │
 └────────────┬─────────────┘
              │
              ▼
 ┌──────────────────────────┐
 │  技能生成器              │
 │  · 操作序列 → 可执行技能 │
 │  · 参数化与泛化          │
 └────────────┬─────────────┘
              │
              ▼
 ┌──────────────────────────┐
 │  专属技能库              │
 │  · 个人复用              │
 │  · 团队共享              │
 │  · 数字化资产沉淀        │
 └──────────────────────────┘

价值：个人与团队的隐性经验（"我知道怎么操作但不一定能讲清楚"）被沉淀为可复用的显性数字化资产，这是普通 Agent 框架难以做到的"经验工程化"。

5.3 跨会话长期记忆

CatPaw 支持跨会话长期记忆，自动记忆用户的个性化偏好、操作习惯与历史上下文，跨设备、跨对话保持连续理解。这与三端协同架构配合——记忆存储在云端，移动端与 PC 端共享同一份记忆，实现"越用越懂你"。

5.4 本地生活行业专家技能包

依托美团十余年本地生活深耕，CatPaw 将行业认知封装为即装即用的专家与技能，覆盖四大场景域：

场景域	典型能力
门店经营	门店评价诊断与优化、门店装修
商品	商品文案生成
营销	营销物料设计评估、活动策划
经营分析	经营数据分析、销售/团购核销/评价/库存信息汇总、异常识别

以服务零售为例，美团商家运营专家整合经营数据分析、评价管理、门店装修等核心场景，帮助商家实现智能化运营。这些技能包覆盖外卖、服务零售、医药健康等多个行业。

5.5 规划策略与任务编排

面对长程创作类任务，CatPaw 的多 Agent 编排能力体现为"规划 → 并行执行 → 评估回流"的闭环。以 AI 小说工厂为例，其编排链路如下：

┌──────────────────────────────────────────────────────────────┐
│                  AI 小说工厂 任务编排链路                     │
└──────────────────────────────────────────────────────────────┘

  ┌─────────────────────┐
  │ ① 世界观构建        │
  │  · 设定/人物/规则   │
  └──────────┬──────────┘
             │ 世界观作为共享上下文
             ▼
  ┌─────────────────────────────────────────┐
  │ ② 并行章节生成 (多 Agent 并发)          │
  │  ┌────────┐ ┌────────┐ ┌────────┐      │
  │  │ 章节 1 │ │ 章节 2 │ │ 章节 N │      │
  │  └───┬────┘ └───┬────┘ └───┬────┘      │
  └──────┼──────────┼──────────┼───────────┘
         │          │          │
         ▼          ▼          ▼
  ┌─────────────────────────────────────────┐
  │ ③ 质量评估                              │
  │  · 一致性检查 / 文学性打分              │
  └────────────────────┬────────────────────┘
                       │ 不达标章节
                       ▼
              ┌─────────────────┐
              │ ④ 回流修订      │
              │  · 针对性重写   │
              └─────────────────┘

这种编排模式的核心在于：世界观作为全局共享上下文注入每个章节 Agent，保证一致性；质量评估环节形成反馈回路，不达标章节回流修订，而非简单的一次性生成。

六、技术栈与工具链

6.1 IDE 内置 11 类原生工具

Agent 模式的执行能力建立在完整的工具链闭环之上，CatPaw IDE 当前内置 11 类原生工具：

 文件类：readFile / writeFile / createDir
 代码类：grep / searchSymbol / findReferences
 终端类：runCommand（支持 auto-run 开关）
 网络类：fetchURL / searchWeb
 测试类：runTests / debug

工具集遵循"最小权限原则"：开发者可按需勾选所需工具集，避免 Agent 拥有不必要的能力。runCommand 的 auto-run 开关允许控制命令是否自动执行，平衡效率与安全。

6.2 MCP 协议扩展

CatPaw 支持 MCP（Model Context Protocol）扩展，突破内置工具的边界。典型场景：接入 Chrome DevTools MCP，可实现"开发 → 启动 → 自动测试"无缝衔接——Agent 修改代码后自动打开浏览器、截图验证、回归测试，形成自动化闭环。

6.3 @Docs 知识索引系统（RAG 能力）

CatPaw 复刻并优化了 Cursor 标志性的 @Docs 功能，让 AI 学习私有文档：

进入 Settings → Indexing & Docs；
添加 URL 或本地文档（支持 Markdown / PDF）；
等待 indexed 状态生效；
对话中 @doc_name 即可引用知识。

实测：同时索引 CatPaw 官方文档与 Cursor Docs，Agent 可精准对比二者在 Agent 能力上的异同，输出结构化 Markdown 表格。

6.4 代码库索引能力

CatPaw 的代码库索引速度是其工程优势之一：

代码库规模	索引耗时
500 行	约 5 秒
12000 行	约 45 秒

快速的代码库索引使得 Agent 在大型项目中的上下文理解延迟可控，支撑仓库级别的代码编辑与跨文件重构。

6.5 自定义 Agent 配置模式

在 Agent → Add Mode 中可创建个性化 Agent，配置项包括：

指定模型（LongCat-Flash / GLM-4.6 / Qwen2.5-Coder）；
勾选所需工具集（最小权限原则）；
编写角色化 Prompt（如"你是资深 React 性能工程师"）；
开启 auto-fix（自动修 Linter）或 auto-run（自动执行终端命令）。

此外，CatPaw 支持将固定内容配置为 System Prompt，在每次侧边栏对话与 Inline 对话开始时自动发送给模型，确保团队代码规范的一致性。

七、LongCat 2.0 私有化部署实战

LongCat 2.0 采用 MIT 协议完整开放权重与推理代码，支持企业私有化部署。以下为基于 SGLang 的完整部署流程。

7.1 硬件与环境前置要求

硬件推荐：16 张 H20 GPU（官方标准部署环境）；
Python 版本：3.10 及以上；
依赖库：sglang、torch、transformers；
GPU 架构适配：H100/H200（SM90A）需单独编译专用内核；
无多卡集群替代方案：官方在线 Demo、OpenRouter API、国产 NPU 集群部署。

7.2 部署步骤

步骤 1：环境依赖安装

# 校验 Python 版本
python3 --version
# 安装基础推理依赖
pip3 install sglang torch transformers

步骤 2：拉取官方开源仓库

git clone https://github.com/meituan-longcat/LongCat-2.0.git
cd LongCat-2.0

步骤 3：编译 SM90A 架构专用 SGLang 内核

H20/H100 显卡必须编译定制内核以适配 LSA 稀疏注意力算子：

cd sgl-kernel
python3 -m uv build --wheel --color=always --no-build-isolation \
  -Ccmake.define.SGL_KERNEL_ENABLE_SM90A=1 \
  -Ccmake.define.CMAKE_POLICY_VERSION_MINIMUM=3.5 \
  -Cbuild-dir=build .
# 强制安装编译完成的内核包
pip3 install dist/sgl_kernel-0.3.21-cp310-abi3-linux_x86_64.whl --force-reinstall

步骤 4：启动分布式推理服务

采用张量并行（TP）+ 专家并行（EP）组合部署，开放局域网访问，端口 13423：

python -m sglang.launch_server \
  --model meituan-longcat/LongCat-2.0-FP8 \
  --trust-remote-code \
  --host 0.0.0.0 \
  --port 13423 \
  --tp 16 \
  --ep 16 \
  --mem-fraction-static 0.9

步骤 5：OpenAI 兼容 API 调用示例

服务启动后可通过标准 OpenAI SDK 调用：

from openai import OpenAI

client = OpenAI(
    base_url="http://localhost:13423/v1",
    api_key="not-needed"
)

response = client.chat.completions.create(
    model="meituan-longcat/LongCat-2.0-FP8",
    messages=[
        {"role": "system", "content": "你是专业 AI 开发助手"},
        {"role": "user", "content": "编写 Python 脚本，批量将当前目录 jpg 文件按创建日期重命名"}
    ],
    temperature=0.7,
    max_tokens=2048
)
print(response.choices[0].message.content)

7.3 部署关键注意事项

注意事项	说明
`--trust-remote-code` 必填	模型内置自定义 LSA 注意力算子，必须信任远程代码
HI 模块暂不支持	当前版本暂不支持简化分层索引（HI）模块，仅完整集群部署生效
显存占用参数	`--mem-fraction-static` 建议 0.8 ~ 0.9，预留内存防止 OOM
单机不可用	激活参数 48B，消费级单卡 GPU 无法稳定运行

八、性能 Benchmark 对比

8.1 内部落地指标

指标	数据
员工覆盖	9 万
累计 Agent	3 万+
研发渗透率	> 95%
增量代码 AI 生成率	> 50%
代码补全延迟	< 150ms

8.2 IDE 实测性能

测试项	数据
500 行代码库索引	约 5 秒
12000 行代码库索引	约 45 秒
代码补全延迟	< 150ms
公测免费额度	500 次高阶额度

8.3 LongCat 2.0 vs 闭源旗舰模型对比

以下为代码、Agent 检索交互、基础通用能力三大赛道对比（带 * 为厂商官方公开数据）：

代码能力评测

评测基准	LongCat-2.0	GPT-5.5	Claude Opus 4.8	Gemini 3.1 Pro
SWE-bench Pro	59.5	58.6*	69.2*	54.2*
SWE-bench Multilingual	77.3	-	84.8*	76.9*
Terminal-Bench	70.8	73.8*	78.9*	70.7*

Agent 检索交互能力

评测基准	LongCat-2.0	GPT-5.5	Claude Opus 4.8	Gemini 3.1 Pro
FORTE	73.2	77.8	77.2	70.3
RWSearch 长文本检索	78.8	85.3	77.3	76.3
BrowseComp 网页解析	79.9	84.4*	84.3*	85.9*

基础通用能力

评测基准	LongCat-2.0	GPT-5.5	Claude Opus 4.8	Gemini 3.1 Pro
IFEval 指令遵循	90.0	95.0	86.0	96.1
Writing Bench 文本创作	83.8	84.7	85.2	83.7
GPQA-diamond 专业推理	88.9	93.6*	92.4	94.3*

关键结论：

代码领域：SWE-bench Pro 得分 59.5，超越 GPT-5.5 官方 58.6，多语言代码理解优势突出；
长文本/网页：检索与浏览任务表现均衡，适配 RAG 与网页智能体；
OpenRouter 全球调用量：LongCat 2.0 进入全球调用量前三；
数理推理：GPQA-diamond 略低于头部闭源模型，是当前主要短板。

8.4 与主流开源/闭源大模型横向对比

对比维度	LongCat-2.0	DeepSeek-V3.2	Llama 4 Maverick	GPT-5.5
总参数量	1.6T MoE	671B	约 400B	未公开
单 Token 激活参数	~48B	37B	未公开	未公开
最大上下文	1M tokens	128K	128K	128K+
开源协议	MIT 商用免费	ML 协议	Llama 商用限制	闭源仅 API
SWE-bench Pro	59.5	未公开	未公开	58.6
部署门槛	需 16×H20 集群	高算力集群	多卡 GPU	仅云端调用

九、与其他 Agent 框架对比

9.1 CatPaw vs Cursor / Copilot

维度	CatPaw	Cursor	GitHub Copilot
产品形态	AI IDE + 全场景 Agent 平台	AI IDE	编辑器插件 + Chat
核心模型	LongCat-Flash / 2.0（自研开源）	Claude / GPT（闭源）	GPT 系列（闭源）
三端协同	移动/PC/云端 7×24	PC 为主	编辑器内
云端常驻	支持（设备离线不断）	不支持	不支持
操作录制→技能	支持（核心差异化）	不支持	不支持
行业专家技能包	本地生活全链路	无	无
企业级托管	Managed Agents	无	Copilot Workspace（有限）
私有化部署	支持（MIT 模型）	不支持	不支持
中文优化	原生中文	弱	一般

9.2 美团 vs OpenAI vs 阶跃星辰路线对比

维度	美团（CatPaw + LongCat）	OpenAI（GPT + Operator）	阶跃星辰
模型策略	自研开源（MIT）+ 国产算力	闭源旗舰	自研多模态
平台定位	全场景 Agent + 企业托管	通用 API + Operator Agent	多模态 Agent
行业纵深	本地生活 Know-how 护城河	通用	通用偏多模态
开源开放	模型 + 平台双开放	闭源	部分开源
落地验证	9 万员工内部大规模验证	全球开发者	垂直场景

9.3 CatPaw vs Coze / Dify / LangChain

维度	CatPaw	Coze（字节）	Dify	LangChain
类型	模型+平台+行业知识一体化	Agent 搭建平台	LLM 应用开发平台	Agent 编排框架
自研模型	LongCat 2.0（1.6T MIT）	依赖第三方	依赖第三方	依赖第三方
企业托管	Managed Agents 全栈	有	有	无（框架级）
端形态	移动/PC/云端三端	多端	Web/API	代码库
行业技能包	本地生活深度封装	通用	通用	通用
操作录制	支持	不支持	不支持	不支持
代码能力	SWE-bench Pro 59.5	依赖模型	依赖模型	依赖模型

核心差异：CatPaw 是少数"模型 + 平台 + 行业知识"三位一体的方案，而 Coze/Dify/LangChain 本身不产模型，需对接第三方 LLM。

十、核心差异化与局限

10.1 核心差异化

CatPaw 的护城河可归纳为"模型 + 平台 + 行业知识"三位一体：

模型层：LongCat 2.0 是开源市场唯一同时满足"1.6T MoE + 原生 1M 上下文 + MIT 完全商用开源"三大特性的模型，且全程国产算力训练；
平台层：Managed Agents 提供从数字员工到可视化运维的企业级全栈托管，三端协同 + 操作录制沉淀是工程差异化；
行业知识层：美团十余年本地生活积累封装为专家与技能包，这是纯技术公司难以复制的 Know-how 护城河。

三者形成正反馈：行业知识反哺模型微调方向，平台工程支撑模型能力落地，模型开源降低企业选型门槛。

10.2 局限性

客观来看，CatPaw / LongCat 2.0 当前仍存在以下局限：

局限维度	具体表现	影响场景
部署门槛	需 16×H20 GPU 集群，消费级单卡不可用	中小团队私有化部署困难
数理推理	GPQA-diamond 88.9，低于 GPT-5.5（93.6）、Gemini（94.3）	顶尖数学竞赛、高难度 STEM 求解
自定义 endpoint	IDE 暂不支持完全自定义 endpoint	需接入私有模型服务的场景受限
HI 模块	暂不支持简化分层索引 HI 模块，仅完整集群部署生效	轻量化部署无法用满 LSA 全部优化
闭源差距	Terminal-Bench、BrowseComp 等仍落后 Claude Opus 4.8	极致代码/浏览 Agent 任务

10.3 适用边界建议

基于上述分析，LongCat 2.0 的最优落地场景与不推荐场景如下：

最优落地场景：

代码智能 Agent（自动化 Bug 修复、代码评审、多语言工程脚本）；
百万级长文档分析（整本图书、大型项目文档、合同卷宗一次性解析）；
检索增强 RAG + 网页智能体（知识库问答、联网调研）；
多语言开发工具。

不推荐场景：

轻量化单机对话产品（激活参数 48B，单卡无法稳定运行）；
顶尖数学竞赛解题（数理推理低于头部闭源模型）。

结语

CatPaw 的技术价值不在于某一个单点突破，而在于它打通了"自研万亿参数开源模型 → 国产算力全流程训练 → 全场景 Agent 平台 → 企业级托管 → 行业 Know-how 沉淀"的完整链路。从工程视角看，三层正交的 LSA 稀疏注意力、MOPD 动态专家路由、三端协同架构、操作录制技能沉淀，每一个都是可独立分析的工程课题；而从产业视角看，"模型 + 平台 + 行业知识"三位一体才是其真正的差异化所在——行业 Know-how 是最难复制的那一层护城河。

对于有私有化部署、自建代码智能体、长文档分析平台需求的企业开发者，LongCat 2.0 是现阶段值得优先评估的开源选型；对于关注 Agent 平台工程实践的开发者，CatPaw 的 Managed Agents 架构与技能沉淀机制提供了有价值的参考范式。

参考资料

美团技术团队：《美团 LongCat-2.0 正式发布》https://tech.meituan.com/2026/06/30/LongCat2.0.html

LongCat 官方博客：https://longcat.chat/blog/longcat-2.0/

美团技术团队：《美团正式发布 CatPaw：全场景 AI Agent》https://tech.meituan.com/2026/07/28/CatPaw-LongCat.html

LongCat-2.0 GitHub 仓库：https://github.com/meituan-longcat/LongCat-2.0

CatPaw 体验地址：https://catpaw.meituan.com/

本文基于公开资料整理，技术细节以美团官方文档与开源代码为准。

posted on 2026-07-29 22:21 0xfisher 阅读(2) 评论(0) 收藏举报

刷新页面返回顶部

导航

公告