就在剛剛，DeepSeek 突然開源了一套重磅 Agent 設計：dsh-superagent-prototype，並同步放出了一篇乾貨密度極高的萬字架構長文《Super-agent 設計探索：邁向更自主的 Agent 系統》。
這個 Super-agent 其實可以理解為 Personal Agent 向團隊與多工場景的全面升級，幫助 AI 擺脫“撥一下動一下”的被動狀態。
平日裡，一個人精力再充沛，通常也只能同時跟進 3 到 5 個活躍 Session。多工的上限，卡在了人的注意力上。
為了打破這個瓶頸，DeepSeek Harness 團隊基於內部日常研發實踐，直接從底層重構，拿出了這套能夠 7×24 小時持續線上、跨平台自主幹活的“超級 Agent 底座”。
這套超級 Agent 架構強在那？我們分三層來看。
一、幹掉「Session 焦慮」：Router + Worker 雙層架構
為什麼現在的 Agent 用起來累？
因為如果所有事情都塞進一個 Session，序列執行慢、上下文還會互相污染；如果每件事都新開一個 Session，它們之間又互不通氣。
DeepSeek 這套底座的解法：把「維持全域連續性」和「高並行幹活」拆成兩層。
常駐的 Router 層（管全域）
它永遠線上，統一承接人類在各個入口的互動。為了不成為性能瓶頸，Router 層絕不親自下場幹活（甚至可以不給它配 Bash 工具），只做高層協調與任務分派，用輕量模型就能跑得飛快。那怕遇到消息洪峰，上一輪推理期間積壓的事件也會自動合併成 Batch（批處理） 一起丟給模型，積壓越多，單次決策分攤的耗時反而越低（壓測中可從 6.4 秒降至 1.6 秒）。
隔離的 Worker 層（悶頭干任務）
每個 Worker 掛載完整的執行工具和最強模型，在獨立的上下文裡專注搞定單一任務。Worker 絕不直接對人類說話，而是向 Router 匯報，由 Router 統一對外回覆。
這樣一來，使用者在飛書（IM）群裡聊一半，轉頭去 GitHub PR 評論區改主意，面對的始終是「同一個」懂前因後果的超級 Agent，就不用再手動切窗口管理 Session。
二、把經典電腦系統思想，全裝進「事件驅動」引擎裡
要讓超級 Agent 具備主動性，驅動它的應該不只有 Prompt。更應該像人的協作一樣，是群聊消息、程式碼評論、CI 結果等環境事件（Trigger）。
面對真實群聊裡「高噪音、低觸發率」的資訊流，如果每條消息都調大模型判斷，算力和延遲直接爆炸。為此，DeepSeek 在底座的事件處理引擎裡，密集套用了四個電腦系統的經典設計：
1. 兩級事件過濾
先用確定性的程式碼規則（白名單、來源範圍等）走 Fast Path 濾掉絕大部分無關噪音；只有通過初篩的候選事件，才走 Slow Path 交給大模型做語義判斷。
2. 訂閱與直通路由
同一個 PR 或 IM 話題下的連續事件構成一條 Thread。Router 建立 Worker 後，Worker 會直接訂閱該 Thread。後續同一話題的消息直接走 Fast Path 直通 Worker，不用再麻煩 Router 轉發。消融實驗表明，僅這一個設計就幫 Router 省下了約 30% 的決策次數和 37% 的讀快取 Token。
3. Inline & Spill + 鏈式召回
上下文窗口極其寶貴。底座利用局部性原理，把當前事件緊鄰的資訊（如前 50 字、前後相鄰消息）直接 Inline（內聯） 進窗口；超長內容則 Spill（溢出） 到窗口外，只留摘要和關聯對象的 ID。當需要翻舊帳時，模型順著對象之間的 ID 引用圖一跳一跳地按需檢索，這就是鏈式召回。
4. 後台「投機執行」
就像 CPU 的分支預測一樣，Agent 看到群裡有人報 Bug，不等人類下令，先在後台消耗一點算力嘗試復現和修復。修好了就拿出來驚豔所有人，沒修好就默默丟棄、絕不打擾。
三、做到 7×24 小時線上
解決了內部調度，這套底座的最後一層，是解決「怎麼跟人自然打交道」&「怎麼長期穩定運行」。
1. 非同步全雙工 ReAct Loop
底座將單一耗時的 run() 工具改成了非同步的 start() 和 stop()，後台跑編譯或測試的同時，前台照樣能秒回你的新指令。
同時，針對不同通道做了定製：IM 群聊嚴格限制單次回覆不超過 100 詞，絕不刷屏；GitHub PR 則輸出高密度的結構化報告。
2. 計算、狀態與環境的兩層解耦
電腦一合蓋，本地 Agent 就歇菜了；但如果把程式碼和環境全搬上雲端沙箱，本地未提交的程式碼、內部網路憑據又很難同步。
DeepSeek 採用了「存算分離」與「腦手分離」的思路：
雲端跑無狀態的 Agent Loop + 資料庫存狀態，保證底座 7×24 小時持久線上；
重狀態的執行環境留在本地原地不動，只在你自己的開發機上裝一個極輕量的無狀態 daemon（即 BYOM，Bring Your Own Machine），雲端大腦按需跨裝置呼叫本地環境。
3. 外部 Watchdog（看門狗）自癒
Agent 跑崩了往往不是處理程序掛了，而是模型陷入了死循環或跑偏了。系統在主回路之外單獨配了一個定時喚醒的 Watchdog Session，不僅盯基礎設施報錯，還用模型去檢查各個 Worker 有沒有實質進展。甚至維護者可以直接用自然語言找 Watchdog 問故障原因、線上熱修改主系統的提示詞規則。
寫在最後：現在已經可以克隆體驗
從消融實驗資料來看，在多工並行轟炸下，這套超級 Agent 底座將任務完成時間（p95）穩定控制在了 15.7 分鐘，遠優於傳統“單 Session + Subagent”方案的 29.5 分鐘。
如果你想深入研究這套底座架構，或者把它跑起來接入自己的項目，只需三步：
第一步：克隆開源倉庫到本地
進入 DeepSeek 官方 GitHub 倉庫獲取原始碼：
開源地址：https://github.com/deepseek-ai/dsh-superagent-prototype
第二步：把 SETUP.md 丟給你的 AI，讓 AI 幫你裝
你只需要用你的 Coding Agent 直接讀取倉庫根目錄下的 SETUP.md，Agent 就會像嚮導一樣，每次問你一個簡短問題，自動幫你把環境配置、權限規則以及 GitHub / 飛書通道全部跑通。
第三步：順讀 000–008 文件，吃透底座原始碼
如果你打算基於這套底座做二次開發，或者正在準備 Agent 架構方向的面試，強烈建議按順序讀完倉庫 docs/ 目錄下的 000-philosophy.md 到 008-cookbook.md。9 篇文件環環相扣，把「如何佔用最少的人類注意力、交付最大價值」的工程細節拆得清清楚楚。
當大模型的單兵能力越來越強，誰能搭好下一代「超級 Agent 底座」、把人類的注意力解放出來，誰就握住了下半場的入場券。 感興趣的朋友，趕緊把倉庫拉下來體驗一下吧！(Datawhale)