DeepSeek 重磅发布全新 Agent 架构：AI 开始指挥 AI 干活
内容提要
DeepSeek Harness 团队提出 Super-agent 架构，使 AI 摆脱单会话限制，持续在线、并行处理多任务并主动响应外部事件。系统采用 Router 与 Worker 双层结构：Router 统一接收群聊、GitHub 等平台信息并分派任务，Worker 独立执行。内部实例已能识别群聊中的 Bug 反馈，在无人 @ 时后台复现并提交修复 PR。实验显示任务完成时间明显缩短，但 Token 消耗增加。该架构仍处探索阶段，长期记忆、安全隐私等挑战待解。
延伸解读
从“人管会话”到“AI管任务”的转变
文章指出，当前Agent以Session为工作单位，人类同时只能跟进3到5个活跃会话，成为效率瓶颈。Super-agent通过Router-Worker双层架构，将任务调度交给AI，人类只需设定目标和验收结果。这不仅是技术升级，更是协作模式的转变：人类从操作者变为管理者，需要适应新的监督和介入方式。
主动性与投机执行：效率提升的双刃剑
Super-agent能主动识别群聊中的Bug并后台修复，甚至无人@时提交PR。这种投机执行机制提前利用算力尝试，有价值才提交，减少了人工触发。但实验显示，任务完成时间p95从29.5分钟降至15.7分钟，代价是Token消耗增加约37%。效率提升伴随成本上升，实际部署需权衡资源投入与产出。
异步与云端架构：突破设备与响应限制
传统ReAct Loop中，耗时工具调用会阻塞响应。DeepSeek设计异步ReAct Loop，让耗时任务转后台，前台继续接收指令。同时借鉴存算分离，执行循环在云端，会话状态存数据库，本地仅需轻量daemon，电脑离线后任务可恢复。这些设计提升了连续性和可靠性，但依赖云端也带来新的安全考量。
长期记忆与安全隐私：规模化前的关键挑战
文章坦言，Super-agent仍处探索阶段。长期记忆方面，任务积累数周后如何准确恢复上下文是难题；安全隐私方面，持续接收外部消息和云端访问本地设备，可能面临提示词注入或服务端入侵风险。此外，用户如何查看进度、介入执行、设定人工批准规则也需重新设计。这些挑战不解决，大规模应用难以实现。
Q&A
DeepSeek 提出的 Super-agent 架构是什么？它和传统 AI Agent 有什么不同？
Super-agent 是 DeepSeek Harness 团队探索的一种新架构，旨在让 AI 摆脱单会话限制，持续在线、并行处理多任务并主动响应外部事件。传统 Agent 以会话为基本单位，需要用户手动切换窗口、跟踪进度，且受限于串行执行和设备在线；Super-agent 则能跨会话保持上下文、长期运行，并主动根据环境事件采取行动。
Super-agent 的 Router 和 Worker 双层架构是如何工作的？
Router 是持续运行的全局协调节点，统一接收来自群聊、GitHub、邮件等平台的信息，判断任务分配并维护跨任务上下文。Worker 负责具体执行，每个 Worker 拥有独立上下文和工具能力，可分别处理问题复现、代码审查等任务，必要时调用 Subagent。任务完成后 Worker 将结果汇报给 Router，由 Router 统一与用户沟通。系统还引入订阅机制，让后续相关消息直接发送给对应 Worker，减少 Router 的协调开销。
Super-agent 如何做到在没人 @ 它的情况下主动修复 Bug？
Super-agent 通过事件触发机制（Trigger）主动行动。群聊消息、邮件、GitHub 评论等都可成为触发事件。系统采用两级过滤：先用程序规则快速排除无关消息，再交给大模型结合上下文判断是否需要行动。此外引入投机执行思想，例如在内部用户群配置「静默复现并修复」策略，当有人反馈 Bug 时，AI 在后台复现问题、分析原因并寻找修复方案，只有确认问题存在且找到简单修复方法后，才提交结果给开发人员，否则保持安静。
Super-agent 如何解决传统 Agent 的响应阻塞和设备离线问题？
DeepSeek 设计了异步 ReAct Loop，让耗时任务转入后台执行，前台会话继续接收用户消息，任务完成后再返回结果，用户还能在执行过程中改变方向或终止任务。同时借鉴存算分离思路，将 Agent 执行循环放在云端，会话状态保存到数据库，工作环境留在用户设备上，本地只需部署轻量级 daemon 接收云端命令。这样即使电脑离线，任务也可在设备重新上线后继续执行。此外还引入 Watchdog 机制监督任务进展并修复异常。
Super-agent 相比传统单 Session 方案效率提升多少？代价是什么？
实验显示，Super-agent 的任务完成时间 p50 为 12.4 分钟，p95 为 15.7 分钟；而采用中性提示词的传统单 Session 方案 p95 达到 29.5 分钟。效率提升主要来自双层架构让 Router 专注任务分派、Worker 独立执行，减少了不确定性。代价是 Token 消耗增加：由于维护多个独立会话，缓存读取 Token 高于单 Session，取消事件直通机制后总缓存读取量从 2323 万增加至 3177 万 Token，增幅约 37%。
Super-agent 目前面临哪些挑战？是否已经产品化？
Super-agent 仍处于工程实践探索阶段，并非 DeepSeek 正式推出的独立产品。主要挑战包括：长期记忆（任务积累数周后如何准确恢复上下文）、安全与隐私（持续接收外部消息和云端访问本地设备可能带来提示词注入或服务端入侵风险）、以及用户如何查看进度、介入执行和决定人工批准的操作。部分设计已通过开源原型插件 dsh-superagent-prototype 实现，架构仍在持续探索中。
