DeepSeek发布最新Agent架构，让AI指挥AI干活

10月31日晚，DeepSeek Harness团队发表技术文章《Super-agent设计探索：迈向更自主的Agent系统》，公开一套名为Super-agent的智能体架构。按照设想，AI不再局限于单个聊天窗口，而是持续在线、并行多任务、主动响应环境变化。相关原型已开源，内部实例已在DeepSeek日常研发中运行。

DeepSeek团队指出的瓶颈是：AI能完成的任务越来越多，人类管理任务的注意力却没有同步增长，一个人通常只能同时跟进3至5个活跃会话。Super-agent要做的，是把会话管理和上下文同步从人手上移到系统层面——人负责定目标和验收，调度与执行交给AI。

架构上，Super-agent由Router和Worker两层组成，类似一个由AI组成的虚拟团队。Router是持续运行的全局协调节点，统一接收群聊、GitHub、邮件等平台消息，分配任务；Worker各自拥有独立上下文，分别负责问题复现、代码审查、功能开发，必要时还能调用Subagent。用户面对的始终是同一个AI助手，系统背后可能是多个Agent同时工作。

Worker接手任务后，还能直接订阅后续消息，减少经Router转发的协调开销。

比多任务并行更值得关注的，是主动性。群聊消息、邮件、日程提醒、GitHub评论、CI测试结果，都可以成为触发AI行动的事件。考虑到绝大多数群聊消息无需AI介入，DeepSeek设置两级过滤：程序规则先筛掉无关消息，再由大模型判断是否行动。

文章还引入了计算机系统中的投机执行思想：结果是否会被采用尚不确定时，先在后台提前尝试，有价值再提交，没有就放弃。DeepSeek在内部配置了"静默复现并修复"策略：有人反馈Bug时，AI先在后台复现、分析原因，确认问题存在并找到简单修复方法后才提交，否则保持安静。这套机制也能用于个人助手：收到会议邀请后，AI提前核对日程、整理资料、备好回复草稿。

为支撑长期运行，Super-agent采用存算分离：执行循环放在云端，会话状态存入数据库，本地只留一个轻量daemon，电脑离线任务也能继续；独立的Watchdog负责检查任务是否陷入无效循环并尝试修复；异步ReAct Loop让AI执行耗时任务时仍能响应新指令，尚未默认开启。

DeepSeek的初步实验模拟了含约300条消息、约20条工作请求的协作环境，每种方案重复5次。结果显示，Super-agent任务完成时间中位数为12.4分钟，95分位为15.7分钟；传统单会话方案在中性提示下，95分位完成时间达29.5分钟，且五次实验中模型一次都未调用Subagent。效率提升有代价：取消事件直通机制后，Router决策次数增加约30%，缓存读取量从2323万增至3177万Token。

DeepSeek团队在文末坦言，他们没有提出全新理论，只是把任务调度、事件驱动、存算分离等经典计算机系统思想用到Agent架构上，实验也未评估真实编码质量。但随着AI完成单个任务越来越不需要人工干预，人类能够同时管理多少个AI，正在成为新的问题。