當程式設計師還在群聊裡討論 Bug 怎麼修時，AI 可能已經默默完成了問題復現，甚至把修復程式碼提交到了 GitHub。
就在剛剛，DeepSeek Harness 團隊發表技術文章《Super-agent 設計探索：邁向更自主的 Agent 系統》，詳細介紹了他們正在探索的 Super-agent 架構。
按照 DeepSeek 的設想，未來的 AI Agent 將不再侷限於單個聊天窗口，而是能夠持續線上、同時處理多項任務，並根據外部環境變化主動採取行動。
GitHub 🔗 https://github.com/deepseek-ai/dsh-superagent-prototype?sessionid=/
更值得關注的是，DeepSeek 已經基於 DeepSeek Harness 建構了一套內部 Super-agent 實例，並將其用於日常研發協作。
例如，當團隊成員在群聊中反饋軟體問題時，即使沒有人主動 @ AI，它也能識別潛在缺陷，在後台嘗試復現問題、尋找修複方案，甚至直接提交 GitHub Pull Request，等待開發人員審查。
同一項開發任務還能在群聊和 GitHub 之間連續推進。開發者先在群聊中確定方案，隨後又在 GitHub 評論中修改要求，Agent 能夠理解前後變化，並調整執行方向。
不過，Super-agent 目前仍是一套面向工程實踐的架構探索，部分設計已通過開源原型實現，尚非 DeepSeek 正式推出的獨立產品。
AI Agent 的下一個瓶頸，可能是人類自己
過去一年，以 Coding Agent 為代表的 AI 工具已經能夠獨立閱讀程式碼、定位 Bug、運行測試，甚至完成複雜的軟體開發任務。
然而，隨著模型能力越來越強，另一個問題也開始顯現。
AI 能夠同時完成的任務越來越多，人類管理這些任務的注意力卻沒有同步增長。
目前，大多數 Agent 仍以 Session，也就是會話為基本工作單位。使用者需要在不同窗口之間反覆切換，記住各個任務的上下文，並持續跟蹤執行進度。
DeepSeek 團隊提到，根據他們的觀察，一個人通常只能同時跟進 3 到 5 個活躍 Session。
即使通過 CLI、MCP 等工具讓 Agent 接入更多平台，仍然難以解決單會話序列執行、多工上下文混亂，以及本地裝置離線後任務中斷等問題。
為此，DeepSeek 提出了 Super-agent，希望讓 Agent 從單次會話中解放出來，成為一個能夠長期運行、跨平台保持上下文、平行推進任務的連續實體。
按照文章中的定義，Super-agent 需要具備四項能力，包括跨會話的連續互動、多工高效平行、主動響應環境事件，以及長期線上和異常恢復。
換句話說，人類可以更多地負責確定目標和驗收結果，具體的任務調度與執行過程則交給 AI 管理。
一個 AI 當主管，多個 AI 同時幹活
為了實現這一目標，DeepSeek 設計了一套由 Router 和 Worker 組成的雙層架構。
可以將其理解為一個由 AI 組成的虛擬團隊，Router 負責統籌協調，Worker 負責具體執行。
Router 是持續運行的全域協調節點，統一接收來自群聊、GitHub、郵件等不同平台的資訊，判斷任務應該如何分配，並維護跨任務上下文。
真正執行任務的則是 Worker。每個 Worker 擁有獨立的上下文和工具能力，可以分別負責問題復現、程式碼審查、功能開發等任務，必要時還能繼續呼叫 Subagent。
任務完成後，Worker 將關鍵結果匯報給 Router，再由後者統一與使用者溝通。
對於使用者而言，面對的始終是同一個 AI 助手；對於系統而言，背後可能已經有多個獨立 Agent 同時工作。
為了減少協調開銷，DeepSeek 還引入訂閱機制。當某個 Worker 接手 GitHub Pull Request 後，後續評論和狀態變化可以直接傳送給它，無須每次經過 Router 重新分配。
Router 主要負責資訊理解和任務分派，因此相對輕量的模型也可能勝任，能力更強的模型則用於複雜任務執行。
DeepSeek 認為，傳統 Agent 讓使用者手動管理 Session，很大程度上延續了底層大模型 API 的設計習慣。隨著 Agent 能力提升，Session 應該逐漸成為系統內部的技術細節。
沒人 @ 它，AI 也能主動修 Bug
相比多工平行，Super-agent 更值得關注的能力，是主動尋找值得處理的事情。
傳統 AI 助手通常需要使用者先提出問題，再呼叫工具完成任務。DeepSeek 希望改變這種工作方式，讓 Agent 直接根據外部環境中的事件採取行動。
群聊消息、郵件、日程提醒、GitHub 評論以及 CI 測試結果，都可以成為觸發 Agent 行動的事件，技術上稱為 Trigger。
考慮到絕大多數群聊消息並不需要 AI 介入，DeepSeek 設計了兩級過濾機制，由程序規則快速排除無關消息，再交給大模型結合上下文判斷是否需要行動。
更進一步，DeepSeek 還引入了電腦系統中的投機執行思想。
所謂投機執行，就是在尚未確定結果是否會被採用時，提前利用後台算力進行嘗試，有價值的結果再提交給使用者，沒有價值則直接放棄。
例如，DeepSeek 在內部使用者群中配置了一項「靜默復現並修復」策略。
當有人反饋 Bug 或討論修改方案時，Super-agent 可以提前在後台復現問題、分析原因，並尋找修複方案。
只有確認問題存在，並找到相對簡單的修複方法後，AI 才會把結果提交給開發人員，否則全程保持安靜。
DeepSeek 展示的案例中，團隊成員還在群聊裡討論解決方案，Super-agent 就已經在後台提交了修復 Pull Request。
類似機制也可以應用於個人助手，例如收到會議邀請後，AI 可以提前核對日程、蒐集背景資料，並準備郵件回覆草稿，等待使用者確認。
電腦關機，AI 也能繼續工作
除了主動性，DeepSeek 還嘗試解決傳統 Agent 的響應阻塞和裝置依賴問題。
在常見的 ReAct Loop 中，模型發起耗時工具呼叫後，需要等待結果返回，期間可能無法及時響應新的指令。
DeepSeek 因此設計了非同步 ReAct Loop，讓耗時任務轉入後台執行，前台會話繼續接收使用者消息，任務完成後再將結果傳送回來。
AI 可以一邊執行複雜任務，一邊接受新指令，使用者還能在執行過程中要求它改變方向或終止任務。
該機制已經在 DeepSeek Harness 中實現，但尚未默認開啟。
與此同時，DeepSeek 借鑑存算分離的思路，將 Agent 的執行循環放在雲端，將會話狀態保存到資料庫，而程式碼倉庫、檔案和工具鏈等工作環境仍然可以留在使用者裝置上。
本地只需部署一個輕量級 daemon，負責接收雲端命令並返回結果。即使電腦暫時離線，相關任務也可以在裝置重新上線後繼續執行。
此外，DeepSeek 還引入獨立的 Watchdog 機制，相當於給 Agent 安排了一個 AI 監督員，負責檢查任務是否取得進展、是否陷入無效循環，並在發現異常時嘗試修復。
實測效率提升，但也更費 Token
為了驗證新架構，DeepSeek 團隊進行了一組初步實驗。
實驗模擬群聊和 GitHub CI 消息流，單次包含約 300 條消息，其中約 20 條是真正的工作請求。研究人員將 Super-agent 與傳統單 Session 加 Subagent 的方案進行對比，每種方案重複運行五次。
結果顯示，Super-agent 的任務完成時間 p50 為 12.4 分鐘，p95 為 15.7 分鐘；採用中性提示詞的傳統單 Session 方案，p95 則達到 29.5 分鐘。
差異主要來自任務調度。傳統方案雖然支援 Subagent，但模型是否真正分派任務，仍取決於提示詞和臨場判斷。
在中性提示配置下，五次實驗中模型一次都沒有呼叫 Subagent，所有任務都在主會話中執行，不斷受到新消息干擾。
Super-agent 則通過雙層架構，讓 Router 專注任務分派，Worker 獨立執行，減少了這種不確定性。
不過，效率提升也有代價。由於需要維護多個獨立會話，Super-agent 消耗的快取讀取 Token 高於單 Session。
取消事件直通機制後，Router 需要做出的決定增加約 30%，總快取讀取量從 2323 萬增加至 3177 萬 Token，增幅約 37%。
另外，當事件到達速率從每分鐘約 1 條升至 40 條時，Router 可以通過批次處理提高吞吐量，單次請求耗時僅從 2.5 秒增加至 3.9 秒。
需要注意的是，實驗使用合成消息和模擬耗時工具，主要驗證任務調度與協作能力，並未直接評估真實編碼質量。
DeepSeek 想讓 AI 成為真正的數字同事
儘管 DeepSeek 已經在內部運行 Super-agent，但距離大規模應用仍有不少挑戰。
首先是長期記憶。當任務積累到數周甚至數月後，如何精準恢復歷史上下文，仍然是一個難題。
其次是安全與隱私。由於 Super-agent 會持續接收外部消息，並通過雲端訪問本地裝置，一旦遭遇提示詞注入或伺服器端入侵，就可能威脅程式碼倉庫、敏感資料和本地憑據。
此外，當 Agent 能夠同時推進大量任務時，使用者應該如何查看進度、介入執行，以及決定那些操作必須人工批准，也需要重新設計。
目前，DeepSeek 已將部分設計實現為 dsh-superagent-prototype 原型外掛，相關架構仍在持續探索。
值得注意的是，DeepSeek 團隊在文章結尾坦言，他們並沒有提出全新的理論，而是將任務調度、快取管理、事件驅動、存算分離等經典電腦系統思想應用到了 Agent 架構中。
但隨著模型完成單個任務越來越少需要人工干預，人類能夠同時管理多少個 AI，正在成為新的問題。
過去，我們需要不斷向 AI 傳送指令，告訴它下一步做什麼。按照 Super-agent 的設想，未來人類可以更多地負責確定目標、做出決策和驗收成果，讓 AI 自己發現問題、協調任務並完成執行。(APPSO)