DeepSeek开源Super-agent原型：让Agent从被动响应走向持续协作

导语

DeepSeek近日公开了名为“Super-agent”的Agent架构思路与原型代码。它关注的并不是让模型在一次对话中回答得更好，而是让AI能够长期驻留在工作环境中，持续观察来自群聊、代码仓库等平台的事件，并把相关工作推进下去。

这意味着Agent的使用方式可能从“人类下达任务、模型完成任务”，逐步转向“模型持续管理任务，人类在关键节点确认”。不过，相关结果目前仍属于技术探索和初步实验，不能直接等同于成熟产品能力。

核心架构：Router负责统筹，Worker负责执行

Super-agent采用双层设计。上层Router负责接收外部消息、维护全局上下文并分配任务；下层Worker则对应不同的具体工作，会话之间相互隔离，可以并行推进多个任务。

这种设计试图解决传统Coding Agent的一个现实问题：开发者需要在IM群聊、GitHub和其他工具之间切换，还要手动把不同会话的上下文拼接起来。Super-agent可以把群里的方案讨论、代码修改和后续PR评论识别为同一项工作，让任务从讨论延续到执行和复审。

系统还设计了订阅与事件直通机制。某个Worker接手PR后，可以继续订阅相关评论；新消息能够直接送达负责该任务的Worker，不必每次都经过Router重新判断，从而减少重复决策和上下文读取。

四项能力：连续、高效、主动与持久

• 连续：跨平台、跨会话保留任务脉络，减少反复说明背景。
• 高效：多个复杂任务可以并行执行，耗时工作不会完全阻塞新请求。
• 主动：通过投机执行，Agent可在发现潜在问题时先行调查。例如群聊中出现Bug讨论时，它可以尝试复现和分析；若没有可靠结果，则保持安静。
• 持久：计算、状态和执行环境相互分离，配合Watchdog监测故障、无效循环或目标偏离，尝试维持长期运行。

为控制持续运行带来的消息和Token成本，系统先用程序规则过滤事件，再让模型判断剩余事件是否需要行动。DeepSeek还提到，异步ReAct Loop已经在DeepSeek Harness中实现，但尚未默认开启。

初步测试与现实限制

在模拟约300条消息、20项工作请求的环境中，Super-agent重复测试5次后，任务完成时间中位数为12.4分钟，95分位数为15.7分钟。作为对比，测试中的传统单Session加Subagent方案，在中性提示下的95分位任务完成时间为29.5分钟。

这些数据说明，任务路由和并行执行可能改善多任务场景下的尾部延迟，但实验规模和条件有限，仍需要更多真实工作流验证。DeepSeek还观察到，取消事件直通后，Router决策次数增加约30%，读取缓存Token增加约37%，说明架构效率与运行成本之间存在明显权衡。

意义与影响

Super-agent的价值在于，它把Agent系统的重点从单次推理能力扩展到任务生命周期管理：如何接收事件、关联上下文、分配执行者、保持长期状态，并在异常发生后恢复。对于软件开发、个人助理和跨平台协作，这可能是一条重要的工程方向。

但主动行动也意味着更高的权限、成本和误操作风险。未来真正决定这类系统能否落地的，不只是模型是否“会做事”，还包括授权边界、可审计性、停止机制以及人类确认流程。当前公开原型更适合作为架构探索，距离稳定的全天候自主工作系统仍有一段距离。

来源：量子位