DeepSeek把他們團隊內部天天打工 Agent框架開源了，而且大部分工程程式碼還是AI自己寫的。
程式碼倉庫上線GitHub，名字叫 dsh-superagent，採用MIT開源協議。
這不是一個簡單的開源玩具，背後連著DeepSeek Harness團隊剛剛披露的完整架構思考：Super-agent。
按照DeepSeek的定義，現在的AI助手都在死磕單會話窗口，使用者開三五個會話腦子就亂了。
他們內部直接打破了會話窗口的限制，讓AI變成一個全天候掛在後台、跨平台推進任務、還能在公共群裡默默排查Bug並提交修復補丁的連續系統。
例如，在DeepSeek內部基於 DeepSeek Harness 運行的 Super-agent 實例中，同一個開發任務可以在 IM 和 GitHub 之間連續推進；這個實例還會持續觀察公共群聊中的反饋，在無人 @ 的情況下主動定位根因並提交修復 Pull Request：
為了驗證這套技術路線，DeepSeek把內部自用的程式碼整理後開源放了出來。
官方特別聲明，這是用於學術和技術驗證的研究原型，程式碼裡可能還有Bug，程式碼風格也不統一，絕對不能直接拿去當成無腦上線的生產系統。
為什麼現在的Agent用起來總覺得累
DeepSeek團隊點出了當下所有大模型工具最痛的軟肋：人的注意力成了最大瓶頸。
現在的Agent基本都捆綁在單次會話上。
你要推進多項工作，就必須自己手動建好幾個窗口，還得用腦子記著這個窗口說了什麼，那個窗口進行到了那一步。
大部分人同時跟進3到5個活躍窗口，腦力就見底了。
底層技術上的會話隔離，被直接扔給了人類去肉體承擔。
而且這些工具是被動的，你敲一行鍵盤它動一下，你離線或者電腦關機它就徹底停轉。
DeepSeek提出的 Super-agent 架構，就是要打破這種繫結，實現四個基礎特徵：
跨越不同平台互動的連續性。
平行處理多個複雜任務的高效性。
無人召喚也能感知環境並推進工作的主動性。
掉線崩潰能自己爬起來繼續跑的持久性。
雙層架構：外層閉嘴協調，內層平行搬磚
怎麼同時做到既能連續聊天，又能高並行干髒活？
DeepSeek借鑑了經典電腦系統的設計，做出了雙層解耦：
外層是常駐的 Router 層。
它是一個常駐的全域調度節點，負責統一對人類說話。
它不親自寫程式碼，甚至不掛載終端執行工具，主要任務是搞清楚該分工給誰。
當人類在聊天軟體裡說了一句話，或者在程式碼平台裡留了個言，都由 Router 統一接收。
內層是完全隔離的 Worker 層。
每個 Worker 是一個獨立的執行單元，專注做單一任務。
各個 Worker 之間彼此看不見對方的上下文，掛載完整的開發工具，配置推理能力最強的模型。
Worker 絕對不允許直接跳出來跟人類說話。
它的中間推理細節、呼叫工具的報錯，全部留在內部。
幹完活之後，它向外層的 Router 匯報，由 Router 統一對人輸出。
這樣一來，你在前端感覺永遠是在跟同一個懂全域的助手溝通，而後台其實有好幾個打工單元在平行敲程式碼。
嚴禁廢話：一套極其克制的過濾機制
把 Agent 放進真實的研發大群之後，最可怕的問題是它變成一個話癆。
群聊消息、程式碼審查、整合測試報錯每天成千上萬，全是高噪音、低觸發率的資訊。
如果每一條都讓大模型去想一想該不該回，算力立刻燒光，人類也會被煩死。
DeepSeek採用了一套兩級過濾機制：
第一級是程式碼規則，屬於低成本的快速通道。
針對事件來源、群組範圍、白名單做死邏輯判斷。
不是授權人員發的消息直接忽略，不在白名單裡的群聊直接跳過，一行大模型推理都不跑。
第二級是語義規則，屬於高階的慢速通道。
通過程式碼檢查的消息，交給模型去讀，模型按照自然語言寫的策略來判斷是不是真的該動手。
團隊在內部定下了一條極其冷酷的溝通準則：儘量少消耗人類注意力。
IM等即時通訊工具上，必須像最克制的技術同事一樣，只在需要關鍵決策或者成果驗收時才發通知。
非必要全程閉嘴，只問具體問題，只給簡短結論。
DeepSeek驗證過一條硬性指標：單次回覆嚴格壓在100詞以內。
偷摸幹活：投機執行與主動修Bug
除了等人下令，這套系統具備真正的主動性。
它通過訂閱事件流，把一連串相關的討論當成一個整體。
比如某個問題在群裡剛被人提出來，大家還在討論原因。
Agent 已經在後台悄悄開工，拉取環境，嘗試復現問題，並嘗試寫出修復補丁。
如果它在後台確認了問題並搞定了修複方案，它才會把結果發出來，提交一個做好的 Pull Request。
如果它在後台發現自己搞不定，或者嘗試失敗了，它全程一聲不吭，繼續保持安靜，絕不跳出來刷存在感。
這種設計在電腦系統裡叫投機執行。
用額外的機器算力去後台碰運氣，換取人類等待時間的減少。
有價值就交出成果，沒價值就直接丟棄，不給團隊製造垃圾資訊。
存算分離：人睡了，程式碼還能繼續寫
傳統的程式設計助手都是綁在本地個人電腦上的。
電腦一合蓋、機器一休眠，AI立刻掉線。
為了讓它全天候待命，DeepSeek把計算、狀態和環境徹底拆開了。
推進循環的大模型計算放在雲端，做成無狀態的容器，隨時可以彈性擴縮容。
對話記憶和任務進展持久化存在資料庫裡。
使用者的開發環境、本地憑據、未提交的私有程式碼，仍然留在使用者自己的實體電腦上。
本地只需要掛一個輕量級的守護處理程序，負責執行命令並返回結果。
這就形成了腦手分離。
雲端的 Agent 負責思考和調度，端側的輕量處理程序負責當手去敲命令。
即使你的個人電腦臨時離線，等重新開機連上網，雲端的任務還能自動對接上，繼續跑完。
為了防止跑在雲端的系統自己卡死，架構外部還掛了一個獨立的看門狗。
看門狗本身也是一個 Agent，用定時訊號驅動，專門在外部死盯打工的 Worker 是不是在死循環、有沒有方向跑偏。
發現異常，看門狗會強行介入修復。
實驗資料：不搞花架子，效率翻倍
DeepSeek用真實群聊和CI整合測試的消息流，對比了四種方案。
實驗包含約300條混合消息，其中穿插了大約20條真實工作請求，其他全是閒聊、打斷和系統通知。
結果顯示，傳統單會話模式那怕外掛了分工工具，由於受到提示詞和上下文污染的影響，任務完成時間的波動極大，常常自己逞能去幹髒活導致嚴重超時，完成時間的P95達到了29.5分鐘。
而跑在雙層架構下的 Super-agent，P50完成時間是12.4分鐘，P95是15.7分鐘。
多工並行下的執行效率大幅提升，而且交付極其穩定。
怎麼把原型跑起來
這套架構的部分核心設計，已經落進了開放原始碼的 dsh-superagent 原型項目中。
這個開源版本專門繫結單個 GitHub 倉庫工作，能接 GitHub 和飛書。
由於底層配置涉及的步驟較多，官方推薦直接讓本地的編碼工具來帶你裝。
直接把倉庫裡的 SETUP.md 喂給你正在用的程式碼工具，讓它讀完後帶你一步步配置，它會一次只問一個短問題，把環境搭好。
如果需要自己改程式碼驗證，根目錄下執行一行命令：
pnpm check
這行命令會自動執行完所有的類型檢查、單元測試與項目建構。
DeepSeek官方坦言，雖然系統已經在內部天天幫團隊寫程式碼和修Bug，但安全邊界、跨團隊多Agent協作等問題依然有待深入解決。
把程式碼端出來，就是為了給整個技術圈提供一份拋棄華麗空想、完全面向工程實戰的底層參考底座。(AI寒武紀)