DeepSeek发布全新Agent架构 让AI指挥AI干活
内容提要
DeepSeek Harness团队公开Super-agent架构，将原本依赖人工的会话管理与上下文同步转移到系统底层，以突破一人只能同时跟进3至5个会话的瓶颈。该架构采用Router与Worker双层设计：Router常驻协调、维护全局上下文并分派任务，Worker隔离并发执行并汇报结果。其特点是连续、高效、主动、持久，并配套事件驱动、存算分离和Watchdog等模块。实验中任务完成时间中位数为12.4分钟，优于传统方案，但Token开销有所增加，数据仅为初步参考。
延伸解读
从“人管AI”到“AI管AI”的瓶颈转移
文章指出，随着模型单任务能力增强，生产力瓶颈已从“AI能不能做”转向“人能同时管多少AI”。一个人通常只能跟进3至5个活跃会话，手动切换平台和维护上下文成为效率核心制约。Super-agent将会话管理与上下文同步上移到系统底层，让人只负责定目标和验收，调度与执行交给AI系统，这标志着协作模式从人工协调转向系统自动协调。
Router与Worker分层：连续性与并发效率的解耦
Super-agent采用Router与Worker双层架构，Router常驻维护全局上下文并分派任务，Worker在隔离会话中并发执行并汇报结果。这种设计把“连续性”与“并发效率”拆开处理：Router只做轻量交互与分派，积压事件合并批处理以摊薄推理成本；Worker挂载完整工具专注单一任务。配合订阅直通机制，后续事件可直接发往Worker，降低全局节点负载。
效率提升伴随Token开销增加，数据仅为初步参考
实验中，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，优于传统单Session加Subagent方案的29.5分钟。Router层压力测试显示，积压事件合并批处理后，单个决定分摊的推理时间从6.4秒降至1.6秒。但效率提升伴随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从2323万增至3177万。团队坦言实验基于合成负载与简化环境，未评估真实编码质量，数据仅为初步参考。
支撑自主性的五个模块与当前局限
Super-agent的连续、高效、主动、持久四条特征由五个模块支撑：双层架构、事件驱动、面向人的交互、计算与状态及环境分离、外部Watchdog。事件驱动通过“程序快筛+模型慢判”控制噪音与成本；存算分离让电脑离线后任务仍可继续；Watchdog监督任务是否陷入无效循环或偏离目标。异步ReAct Loop已在DeepSeek Harness中实现，但尚未默认开启，表明部分能力仍处于探索阶段。
Q&A
DeepSeek 新发布的 Super-agent 架构主要想解决什么问题？
主要解决生产力瓶颈从“AI能不能做”转向“人能同时管多少AI”的问题。一个人通常只能同时跟进3至5个活跃会话，手动切换平台和维护上下文成为多任务协作效率的核心制约。Super-agent 将会话管理与上下文同步从人手上移到系统底层，让人负责定目标和验收，调度与执行交由AI系统完成。
Super-agent 的 Router 和 Worker 双层架构是怎么分工的？
Router 是持续运行的全局协调节点，统一承接来自IM、GitHub、邮件等平台的交互，维护全局上下文并分派任务；Worker 在相互隔离的会话中并发执行具体工作，不直接面向用户，而是将状态和结果汇报给 Router，由 Router 统一对外沟通。
Super-agent 如何保证多个任务并行时不阻塞新指令？
通过 Router 层以单个常驻 LLM Session 为核心，只做轻量交互与分派，上一轮推理期间积压的多条事件会自动合并、批处理注入，从而在保持全局连续的同时摊薄单个决定的推理成本；Worker 层则挂载完整工具，在独立上下文中专注推进单一任务。此外，异步 ReAct Loop 使 Agent 在执行耗时任务时仍能响应新指令，但目前尚未默认开启。
Super-agent 的“持久”特征是如何实现的？
通过计算与状态及环境分离（存算分离）实现：将执行循环放在云端、会话状态存入数据库，本地仅保留轻量 daemon，使电脑离线后任务仍可继续。同时，独立的 Watchdog 监督任务是否陷入无效循环或偏离目标，并尝试介入修复，确保始终在线、异常时自动恢复。
Super-agent 在实验中表现如何？有哪些局限性？
在模拟约300条消息、20项工作请求的协作环境中，Super-agent 的任务完成时间中位数为12.4分钟，95分位数为15.7分钟；作为对照的传统单Session加Subagent方案，在中性提示下95分位完成时间达到29.5分钟。Router层压力测试显示，将积压事件合并批处理后，单个决定分摊的推理时间可从6.4秒降至1.6秒。但效率提升伴随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从2323万增至3177万。团队坦言实验基于合成负载与简化环境，未评估真实编码质量，数据仅为初步参考。
Super-agent 如何控制环境事件带来的噪音和成本？
通过事件驱动机制，将群聊消息、代码评论、CI结果等半结构化环境事件作为主要输入，并采用“程序快筛+模型慢判”两级过滤来控制噪音与成本。
