刚刚，DeepSeek重磅开源：Agent底座架构！
内容提要
DeepSeek公开Personal Agent底层架构“Super-agent”，使AI无需指令即可自主发现Bug、提交修复PR并跨平台持续协作。该架构采用Router与Worker双层结构，结合订阅直通、投机执行、两级消息过滤、异步ReAct Loop及Watchdog机制，支持并行任务与24小时在线。实测任务完成时间中位数为12.4分钟，优于传统单会话方案，但会增加一定Token开销。
延伸解读
从“人找任务”到“任务找人”的转变
文章指出，传统Coding Agent需要用户在不同会话间手动切换并交代上下文，而一个人通常只能同时跟进3到5个活跃Session。Super-agent通过Router统一接收消息并维护全局上下文，让用户始终面对同一个Agent，底层多个会话由系统自行管理。这意味着Agent开始主动参与工作，而非被动等待指令，有望突破人类注意力对多任务协作效率的限制。
效率提升背后的Token成本权衡
实测显示，Super-agent任务完成时间中位数为12.4分钟，95分位数为15.7分钟，优于传统单Session方案在中性提示下29.5分钟的95分位表现。但效率提升并非没有代价：文章提到取消事件直通机制后，Router决策次数增加约30%，读取缓存Token增加约37%。这说明合理的事件路由设计对控制运行成本至关重要，读者在评估类似架构时需同时关注效率与开销。
长期自主运行的关键工程机制
要让Agent持续在线并自主推进任务，文章强调了几个工程要点：两级事件过滤先由程序规则筛除无关消息，再由大模型判断是否行动，以减少不必要的Token消耗；异步ReAct Loop让AI在执行耗时任务时仍能响应新指令，但该机制在DeepSeek Harness中尚未默认开启；计算、状态与执行环境分离则支持设备离线后云端维持任务状态。这些设计共同支撑24小时在线与异常恢复。
Watchdog与投机执行的边界
Super-agent引入独立的Watchdog机制，由另一个AI监督任务是否陷入无效循环或偏离目标，并尝试介入修复。同时，投机执行允许AI在发现潜在需求时提前在后台尝试，若找到简单可行的修复方案再交给用户，否则保持安静。这两项机制体现了对自主性的谨慎控制：既让Agent主动推进，又通过监督和静默策略避免打扰或失控，但文章未说明其在实际复杂场景中的误判率。
Q&A
DeepSeek开源的Super-agent架构主要想解决什么问题？
Super-agent旨在解决多任务协作中人类注意力成为瓶颈的问题。传统Coding Agent需要用户在不同会话间手动切换并传递上下文，而一个人通常只能同时跟进3到5个活跃Session。Super-agent让AI能主动发现Bug、提交修复PR，并跨平台持续协作，从而突破人类注意力的限制。
Super-agent的双层架构是如何分工的？
上层Router负责接收消息、分配任务和维护全局上下文，相当于总调度员；下层Worker是一组负责具体执行任务的Agent会话，多个任务可同时推进、互不干扰。此外还设计了订阅与直通机制，让Worker可直接订阅后续消息，无需Router层层转发。
Super-agent如何避免被大量无关消息干扰？
DeepSeek设计了两级事件过滤机制：先通过程序规则筛除无关消息，再由大模型判断剩余事件是否需要采取行动。这样可以减少不必要的Token消耗，只处理真正需要响应的消息。
Super-agent的投机执行是什么意思？
投机执行是指AI发现某件事可能需要处理时，提前在后台尝试。例如群里有人讨论Bug，Super-agent会先着手复现、查找原因，若找到简单可行的修复方案就交给用户；若没有有效结果则保持安静，避免打扰。同样思路也可用于个人助手，如收到会议邀约后提前检查日程冲突、准备回复草稿。
Super-agent如何实现24小时在线和异常恢复？
Super-agent采用计算、状态与执行环境分离的思路：计算逻辑可在云端运行，会话状态独立保存，本地设备保留原有工作环境。即使电脑离线，云端Agent也能维持任务状态，等设备重新上线后继续执行。同时引入独立的Watchdog机制，监督其他Agent，检测程序故障、任务无效循环或偏离目标，并尝试介入修复。
Super-agent的实测效果如何？有什么代价？
在模拟约300条消息、20项工作请求的协作环境中，Super-agent任务完成时间中位数为12.4分钟，95分位数为15.7分钟；传统单Session方案在中性提示下95分位完成时间达29.5分钟。效率提升伴随Token开销增加：取消事件直通机制后，Router决策次数增加约30%，读取缓存Token增加约37%。
