共计 1205 个字符，预计需要花费 4 分钟才能阅读完成。
DeepSeek 开源 Super-agent 原型, 探索自主智能体架构。
DeepSeek 的下一步, 可能不只是更强模型 。10 月 31 日晚,DeepSeek Harness 团队发布技术文章, 并开源 Super-agent 研究原型, 试图回答一个更工程化的问题: 当 AI 能完成单个任务后, 如何让人同时管理更多任务, 而不是被会话切换拖住。
📌 从“单任务助手”到“多任务系统”
文章给出的判断很直接: 单任务的上限取决于模型能力, 多任务的上限却取决于人的注意力 。一个人通常只能同时跟进少数活跃会话。现有智能体多以单个会话为单位,A 会话里的结论,B 会话并不知道, 最后只有人掌握全局。
单任务的上限取决于模型能力, 多任务的上限取决于人的注意力。
🔍 Router+Worker: 让智能体像团队一样分工
DeepSeek 的解法是把智能体拆成两层:router 持续运行, 统一接收群聊、GitHub、邮件等消息 , 维护共享上下文并分派任务;worker 各自保留独立上下文, 并行处理问题复现、代码审查、功能开发, 必要时再调用子智能体。
这套设计借鉴了计算机系统的经典思路, 包括事件驱动、存算分离、外部看门狗和异步执行循环 。它并不追求“让 AI 更主动”这么简单, 反而强调克制: 先用程序规则过滤明显无关的消息, 再由大模型判断是否真需要介入, 两道都通过才派任务。
- 事件驱动: 群聊、邮件、日程、GitHub 评论和 CI 结果都可触发行动。
- 存算分离: 执行在云端, 状态入库, 本地只留轻量守护进程。
- 静默复现: 内部案例中,AI 发现“项目有 BUG”后自行复现、修复并提交 PR, 再由人验收。
💡 实验数据与产品边界
按文章披露, 基于该思路的 Super-agent 任务完成时间中位数为 12.4 分钟 ,95 分位为 15.7 分钟, 优于带子工具的普通会话。但 DeepSeek 明确说明, 这来自合成负载与简化环境的初步实验, 不是正式产品结论。
GitHub 上的原型采用 MIT 协议, 定位是研究原型 , 并非正式产品; 公开版本与 DeepSeek 内部运行系统并不相同, 部分功能仍在开发中。目前它主要面向一个 GitHub 仓库, 也可选择接入飞书。内部实例的运行规模和任务成功率, 文章并未披露。
📊 看点:DeepSeek 在输出“怎么干活”
值得注意的是, 发布方是 Harness 团队 , 而非模型团队。过去 DeepSeek 的标签是 V3、R1 等开源模型; 如今它开始把调度、执行、验收智能体的方法也开放出来。这既是技术路线延伸, 也是竞争位置的变化: 智能体入口已挤满字节跳动、腾讯、阿里、蚂蚁、月之暗面等玩家,DeepSeek 选择以开源框架和研发场景切入。
🚀 总结
Super-agent 能否成立, 还要看两件事: 内部案例能否长期稳定运行 , 公开原型能否从一个 GitHub 仓库扩展到更多真实工作流。若这两步走通,AI 才可能从“等人提问”变成“替人干活”。
