又是周末發文，DeepSeek「大肥魚」不休息的科普AI。
10月31日晚，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》。
DeepSeek 表示，模型能力提升催生了新的應用形態，近期個人助手（Personal Agent）開始集中湧現。然而，現有主流 Agent 設計還難以在多工和團隊協作的規模上支撐這一模式，Agent 的工作模式仍然以單一 Session 為基本單位，不同 Session 之間彼此獨立。
在這種設計下，單任務的上限取決於模型能力，多工的上限取決於人的注意力。
通過雙層架構、事件驅動、非同步多通道互動、存算分離與外部 Watchdog 等思路，DeepSeek 團隊突破了這些限制，系統在底層接管了繁瑣的會話管理與上下文同步，使人類得以從具體的執行細節進一步上移到更高層的決策與驗收。
而DeepSeek 把這種 Agent 形態及其系統架構稱為 Super-agent，文章提到，目前，基於這套思路建構的內部 Super-agent 實例已經在持續運行，日常參與問題復現與修復、程式碼審查響應與 DeepSeek Harness 自身的迭代。
簡單來說，過去一年，整個行業都在吹 Coding Agent，從 Cursor 到 Devin，從 Claude Code 到各種開源方案，好像模型會寫程式碼了，程式設計師就要失業了。
但 DeepSeek Harness 團隊這篇架構文章出來，我看完只有一個感受：大家之前都在小打小鬧，而DeepSeek Super-agent就是要對標Codex的平行Coding Agent能力，讓Agent架構全面“開源化”。
不愧是首富等級卻租房的梁聖，格局很大。
DeepSeek提到的Super-agent到底是什麼？
你現在用 AI 助手，是什麼體驗？
打開一個對話方塊，輸入問題，等它回答。想同時問兩個問題？開兩個窗口。
這就是現在所有 AI 產品的通病。它們都是“一次性會話”的模式。你跟它說一句話，它幹完就完了。下次再聊，它就不記得上次聊過什麼了。
DeepSeek管這個叫Session模式。
一個 Session 就是一個獨立的對話窗口，Session 和 Session 之間互相不通氣。
問題來了，如果你要是同時推進好幾個項目呢？
比如，一個項目在 IM 群裡討論，一個項目在 GitHub 上提 PR，還有一個項目要查郵件。你得自己在這些窗口之間來回切換，記住每個項目說到那了。
所以，人的注意力是有限的。你同時能盯幾個窗口？3 個？5 個？再多就亂了。
DeepSeek在文章中說，這就是現在 Agent 產品的天花板。單任務做得再好，多工一上來就抓瞎，因為瓶頸不在模型，在人的注意力。
所以他們搞了個 Super-agent。
簡單說就是，Super-agent讓 AI 變成一個連續線上的實體，不用你管 Session 在那，它自己就能同時幹好幾件事。
具體來說，DeepSeek認為 Super-agent 具備以下四個基礎特徵：
- 連續：使用者可以直接在 IM 聊天、GitHub 評論等熟悉的工作介面與它互動，感覺始終只存在一個 Agent，不需要去想“Session X 的上下文中是否有 Y 資訊”。例如，使用者先在 IM 上提出採用方案 A、隨後在 GitHub Pull Request 評論裡改為方案 B，它能理解並調整執行方向。
- 高效：互動響應迅速，同時能平行、高品質地完成多個複雜任務。無需等上一個命令或任務完成，就能接受下一條指令。
- 主動：無需等待使用者逐條下達指令，能持續觀察環境事件並主動推進值得處理的事項，不需要介入時則保持安靜。
- 持久：始終線上、直接接入使用者真實的工作環境，並在長期運行中遇到異常時自動恢復。
Super-agent 最核心的設計叫“雙層架構”。
聽起來很玄，其實就是公司裡的經理和員工那一套。
上面有個 Router 層，相當於經理。所有事情先經過它，它來判斷這個事該誰幹，然後分派下去，經理不親自幹活，只管排活和對外溝通。
下面有個 Worker 層，相當於員工。每個 Worker 接一個具體任務，悶頭幹活，幹完了向經理匯報。
Worker 之間互不干擾，各幹各的。
這有什麼好處？
你在 IM 上跟它說一個方案，過了兩天你在 GitHub 評論裡改了個主意。Router 層記得住，它知道這兩個事是同一個項目，會自動調整方向。
你不用跟 AI 說 "還記得上次那個項目嗎"。因為對它來說，從來就只有一個 Agent，沒有什麼 Session1、Session2。
DeepSeek 還做了個實驗對比。純單 Session 模式：p95 完成時間 29.5 分鐘。換成 Super-agent 的雙層架構，p95 降到 15.7 分鐘。快了將近一倍。
所以，現在的 AI 都是被動的，你不說話，它就不動，但Super-agent 不一樣，它是事件驅動的。
什麼意思？就是它一直在盯著周圍的資訊流。群裡有人發消息了，GitHub 上有新 PR 了，CI 跑掛了，它都知道。
這些環境裡的消息，DeepSeek管它們叫Trigger。但問題是，群裡大部分消息都是閒聊，每條都讓 AI 判斷一遍，成本太高了。因此DeepSeek搞了個兩級過濾：
程序層策略（作為 Fast Path）：針對事件來源、群組範圍、使用者或機器人白名單等確定性條件，直接通過程式碼進行快速准入檢查，例如對不同來源分別設定“僅響應明確請求”“作為候選事件”或“直接忽略”，在呼叫模型前濾除大部分無關消息。
- 語義層策略（作為 Slow Path）：通過程序層准入的候選事件交給 LLM，由它根據用提示詞編寫的策略和上下文判斷是否需要行動。語義層同時作為面向人類的自然語言擴展點，方便隨時通過提示詞開關或新增策略。
先用程式碼做粗篩，在做語義結合。
什麼人發的、在那個群、跟它有沒有關係，直接過濾掉 80%。剩下的再交給 AI 做語義判斷，看看這事值不值得它出手。
這就像你上班的時候，不是每條微信都回。老闆 @你的，你馬上回。同事閒聊的，你掃一眼就過了。
而且 AI 還會 "提前行動"。群裡剛有人說 "這個 bug 好像挺嚴重"，它就已經在後台復現問題、找修複方案了。等大家討論出個結果，它的 PR 可能都寫好了。
同時，DeepSeek還做了存算分離、上下文組織，讓AI不睡覺、24小時工作。
你現在用 AI，要是電腦關了、斷網了，它是不是就不幹活了？
Super-agent 不會，它把計算和狀態拆開來了。簡單說，Agent 的“大腦”跑在雲端伺服器上，24 小時不關機。會話狀態存在資料庫裡，就算伺服器重啟了，狀態也不丟。
更妙的是，它還不用把你的電腦搬到雲端。你本地的程式碼倉庫、工具鏈、私有資料，全都留在你自己機器上。雲端的 AI 通過一個輕量的小 daemon，遠端呼叫你本地的環境。
這就像你請了個遠端員工。他在自己家裡上班，但能訪問公司電腦，你電腦關機了，他就先幹別的。等你電腦開機了，他再接著幹。
此外，AI 跑久了會不會出問題？當然會，有時候它會陷入死循環，一直在那兒轉圈圈但不幹活。有時候它方向跑偏了，越做越錯。所以，DeepSeek加了個Watchdog，它不幹活，專門盯著其他Worker的Agent有沒有好好幹活。
這就像你團隊裡有個 Tech Lead或是產品經理，不寫程式碼，但每天站會看進度，誰卡住了就幫誰排障，誰跑偏了就拉回來。
最有趣的是，儘管都是老辦法但卻更有效
最讓我意外的是，DeepSeek 這套架構沒有發明什麼新理論。
雙層架構、事件驅動、存算分離、Watchdog，全都是電腦系統裡幾十年前就有的經典設計。
他們把 Fast Path/Slow Path 搬過來做事件過濾，把投機執行搬過來做提前行動，把鏈式召回搬過來做上下文管理。
本質上DeepSeek是在用系統工程的老辦法，解決 AI 時代的新問題。
說到底，Super-agent 不是什麼黑科技。
但這其實是好事。
這說明，Agent智能體正在從“煉丹”走向“工程”，不再靠提示詞工程碰運氣，而是靠架構設計解決根本問題。
“回顧整套設計，我們並沒有提出全新的理論，而是將電腦系統中經典的工程思想應用到了 Agent 系統的建構中。具體的實現方式會隨技術發展而演進，但我們認為背後的系統設計思路有更長期的參考價值。目前，我們基於這套思路和 DeepSeek Harness 建構的內部 Super-agent 實例已經在持續運行，日常參與問題復現與修復、程式碼審查響應與 DeepSeek Harness 自身的迭代。”
話又說回來，這篇文章裡的實驗資料還是合成負載。300 條消息、20 個工作請求，跟真實生產環境比起來差遠了。
而且 DeepSeek 自己也承認了一堆開放問題。長程記憶怎麼解決？多 Agent 之間怎麼協作？安全和隱私怎麼保障？這些都是大坑。
更關鍵的是，這套架構現在只在 DeepSeek 內部小團隊裡跑通了。
真放到百人大團隊、複雜業務場景裡，Router 層會不會成為瓶頸？Worker 之間的衝突怎麼協調？都還是未知數。
所以，DeepSeek的Super-Agent雙層架構解決的是多工管理的問題，事件驅動解決的是主動響應的問題，存算分離解決的是持久線上的問題，Watchdog 解決的是長期可靠性的問題。
這些思路，你在任何一本作業系統教材裡都能找到原型。
但為什麼現在才有人做？
因為之前模型能力不夠，連單任務都幹不利索，談什麼多工？現在模型能力上來了，瓶頸就從模型本身轉移到了系統架構上。
DeepSeek 這篇文章的價值，不是他們發明了什麼新東西，而是他們率先把系統工程的方法論，正式用到了 Agent 設計上。
這意味著 Agent 這個行業，正在從“玩具”走向“工具”。從靠提示詞碰運氣，走向靠架構設計解決問題。
“在這種形態下，Agent 不再只是一個被動等待指令的對話窗口，而是演進為數字環境中持續線上的自主協作者：面向個人，它可以是跨裝置協助處理日常事務的個人助手；面向團隊，它融入研發工作流，承接並推進具體任務。我們相信，隨著模型能力與底層系統架構的共同演進，這種更自主的工作方式有望成為人機協作的常態。”
這個轉變，可能比任何一次模型迭代都重要。(智能紀元AGI)