以后，AI 可能真的不用你一句句安排工作了。
你在工作群里提到一个问题，转头去忙别的。没人再给 AI 派活，它却一直关注着后续讨论，自己尝试查找原因，甚至把解决方案准备好。
这听起来有点超前，但 DeepSeek 已经开始探索这样的 AI 了。
10 月 31 日，DeepSeek Harness 团队公开了一篇技术文章《Super-agent 设计探索：迈向更自主的 Agent 系统》，并同步开源了配套原型项目。
这次最值得关注的变化是：AI 开始从等人安排任务，转向主动发现问题、持续跟进，并行推进多项工作。
01群里没人 @，AI 已经开始查 Bug
过去使用 Coding Agent，通常需要人先提出问题，再把任务交给 AI。
如果同时有好几项工作，就得切换不同的 Session，分别交代背景、跟进进度。
DeepSeek 团队发现，一个人通常只能同时跟进 3 到 5 个活跃 Session。
任务越多，人反而越容易成为效率瓶颈。
Super-agent 想改变的就是这个问题。
在 DeepSeek 内部运行的实例中，同一个任务可以从 IM 群聊延续到 GitHub PR。
比如，用户先在群里提出采用方案 A，后来又在 GitHub 评论里改成方案 B，AI 能够理解前后变化，继续推进同一项工作，不需要人重新解释一遍。
更有意思的是，它还可以主动发现问题。
DeepSeek 团队设置了一条静默处理规则：当群里有人反馈 Bug 或讨论代码改动时，AI 可以在后台尝试复现、排查。
如果确认问题，并找到简单可行的修复方案，就提交 PR；如果没有找到有效结果，就保持安静。
这背后有一个概念叫投机执行（Speculative Execution）。
简单理解，就是 AI 发现某件事可能需要处理时，先在后台尝试。结果有价值就交付，没有价值就丢弃。
02一个总调度员，带着多个 AI 同时干活
要让 AI 同时处理这么多事情，光靠一个聊天窗口显然不够。
DeepSeek 为此设计了一套 Router + Worker 双层架构。
可以把 Router 理解成总调度员，负责接收消息、判断任务、分配工作。
Worker 则是具体干活的执行者，每个 Worker 拥有独立的工作上下文，可以同时处理不同任务。
比如：
• Worker A：负责复现和排查 Bug。
• Worker B：负责跟进 GitHub PR 评论。
• Worker C：负责开发新的功能。
它们各自独立执行，完成后再把结果交给 Router 统一汇总。
还有一个细节值得关注：
当某个 Worker 接手 GitHub PR 后，可以直接订阅这个 PR 的后续评论。有人提出修改意见，消息就会直接送到对应 Worker，不必每次都经过 Router 重新分配。
这样既能避免不同任务互相干扰，也能减少重复调度。
03电脑离线了，AI 还能继续工作？
除了主动发现问题，DeepSeek 还在解决 Agent 长期运行的问题。
传统本地 Agent 有一个限制：计算、会话状态和执行环境都绑定在同一台设备上。
电脑休眠或断网，Agent 就会停止运行。
DeepSeek 提出的方案是将三者分离：
计算逻辑和会话状态放在云端，实际执行环境则可以保留在用户自己的电脑或其他机器上，通过轻量 daemon 按需连接。
这样，即使本地设备暂时离线，云端仍然可以维持 Agent 的任务状态；等设备重新上线，再继续执行需要在这台设备上完成的工作。
这里还有一个独立的 Watchdog（看门狗）机制。
它会持续检查 Agent 是否正常运行、任务有没有实质进展、执行方向是否偏离目标。
发现异常后，尝试介入修复。
当然，本地电脑离线时，依赖这台电脑的命令和文件操作仍然无法执行，不能理解成电脑关机后 AI 还能直接操作本地文件。
04实验数据：任务完成时间缩短了
DeepSeek 团队还做了一组初步实验。
他们模拟了一个包含约 300 条消息、20 项工作请求的协作环境，每种方案重复测试 5 次。
结果显示：
Super-agent 的任务完成时间中位数（P50）为 12.4 分钟，95 分位数（P95）为 15.7 分钟。
作为对照，使用单 Session + Subagent、采用中性提示词的方案，P95 达到 29.5 分钟。
不过，这组数据需要正确理解。
实验中的编码工作由一个模拟耗时工具代替，主要衡量的是任务调度和多任务协作效率，并没有测试实际代码生成质量。
DeepSeek 还发现，取消事件直通机制后，Router 的决策次数增加约 30%，读取缓存 Token 增加约 37%。
这说明合理的任务路由，对降低 Agent 的运行开销也有帮助。
05这条赛道，已经有不少玩家
DeepSeek 并不是唯一在探索这条路线的厂商。
国外 Cognition 推出的 Devin Auto-Triage，已经能够持续监听 Slack、Linear、GitHub 等工作入口，自动调查 Bug 和告警，找到问题后甚至可以直接提交 PR。
国内腾讯的 WorkBuddy Managed Agents，则提供了云端 7×24 小时的企业级 Agent 托管运行服务。
OpenAI 的 Agents API、Anthropic 的 Claude Managed Agents，也在提供长任务执行、持久化会话、云端沙箱和多 Agent 协作等底层能力。
各家产品的定位并不完全相同，但都在解决一个共同问题：怎样让 AI 长时间稳定地接手工作，而不是每次都从一条新指令开始。
06这次开源，普通人能直接用吗？
这里需要特别说明。
DeepSeek Harness 本身此前已经开源并进入开发者预览。这次新公开的是配套的 Super-agent 原型项目：
DeepSeek dsh-superagent-prototype[231]
项目采用 MIT 许可证，目前主要面向单个 GitHub 仓库，可以监听 GitHub，也可以选择接入飞书。
当授权成员发起任务，或者预设规则允许时，它会创建独立工作任务，在自己的 Agent Session 中执行，最后回到原始对话反馈结果，例如提交 PR。
但官方也明确提醒：这只是用于验证技术路线的研究原型，并非正式产品，也没有达到生产环境可直接使用的成熟程度。部分文章讨论的架构设计尚未在公开原型中实现。
另外，长期监听工作环境、接入本地电脑，也会带来提示词注入、隐私泄露和本地凭据安全等问题。DeepSeek 在原文中也将这些列为仍需解决的开放问题。
从这次分享来看，AI Agent 正在出现一个值得关注的变化。
以前，我们关心的是 AI 能不能把一项任务做好。
现在，越来越多厂商开始研究：AI 能不能持续关注一件事，同时推进多项工作，遇到问题还能自己想办法恢复。
当 AI 开始主动接手工作，人类的角色也会逐渐从具体执行，转向设定目标、做关键判断和验收结果。
这可能才是 Super-agent 真正值得关注的地方。