DeepSeek 公布其 Personal Agent 底层架构思路——Super-agent，旨在构建更自主的 AI 代理系统。
该系统无需人工逐项指令，即可主动发现 Bug、定位问题并提交修复 PR。实测数据显示，在模拟多任务环境中，Super-agent 的任务完成时间中位数为 12.4 分钟，显著优于传统单会话方案。
Super-agent 支持跨平台协作、并行处理复杂任务及 24 小时在线运行，标志着 AI 从被动执行向主动推进工作的转变。
突破会话限制：主动发现 Bug 并跨平台协作
传统 Coding Agent 受限于人类注意力瓶颈，通常只能同时跟进 3 到 5 个活跃 Session，且需在不同平台（如 IM 群聊、GitHub）间手动切换上下文。
Super-agent 通过统一底层会话管理，实现跨平台任务连续性。例如，当用户在群聊中确定方案 A，随后在 GitHub 评论中改为方案 B 时，Agent 能识别二者关联并自动调整执行方向，用户始终面对同一个智能体。
核心技术：投机执行与四大特征
系统引入投机执行（Speculative Execution）机制，AI 可在后台预先尝试处理潜在任务。若找到可行解决方案则提交，否则保持静默，避免打扰用户。这一机制同样适用于个人助手场景，如提前检查日程冲突并准备回复草稿。
DeepSeek 为 Super-agent 定义了四个核心特征：
连续：跨会话、跨平台保持任务上下文，无需重复解释。
高效：并行执行多个复杂任务，耗时操作不阻塞新交互。
主动：持续观察环境变化，必要时自行采取行动。
持久：长期在线运行，具备异常自动恢复能力。
双层架构设计：Router 与 Worker
DeepSeek 设计了双层架构以支撑上述功能：
上层 Router（调度员）：负责接收消息、分配任务及维护全局上下文。
下层 Worker（执行者）：由一组 Agent 会话组成，负责具体任务执行，多任务并行互不干扰。
此外，系统采用订阅与直通机制。例如，处理 GitHub PR 的 Worker 可直接订阅后续评论，无需经 Router 转发，从而提升老任务跟进效率与新任务分配速度。
24小时在线与异常自愈：实测性能大幅提升
为实现长期自主运行，Super-agent 解决了消息过滤、任务阻塞及异常恢复等关键问题。
消息过滤与异步执行
针对多平台海量消息，系统采用两级事件过滤机制：先通过程序规则筛除无关信息，再由大模型判断剩余事件的处理必要性，以降低 Token 消耗。
同时，引入异步 ReAct Loop 机制，使 AI 在执行耗时任务时仍能响应新指令。该机制已在 DeepSeek Harness 中实现。
状态分离与看门狗机制
为实现 24 小时在线，系统采用计算、状态与执行环境分离策略。云端维持任务状态，本地设备离线不影响云端运行，重连后可继续执行。
团队还引入了独立的 Watchdog（看门狗）机制，专门监督其他 Agent，检测故障、识别无效循环或目标偏离，并尝试介入修复。
实测数据对比
在包含约 300 条消息、20 项工作请求的模拟协作环境中，每种配置重复测试 5 次，结果如下：
Super-agent：任务完成时间中位数 12.4 分钟，95 分位数 15.7 分钟。
传统单 Session 方案：95 分位数任务完成时间达 29.5 分钟。
尽管效率提升伴随一定 Token 开销（取消事件直通机制后，Router 决策次数增加约 30%，读取缓存 Token 增加约 37%），但合理的事件路由能有效平衡系统运行成本。
DeepSeek 此次技术分享表明，Agent 系统正逐步摆脱单次会话限制，向持续在线、并行执行、主动响应和异常自愈的方向演进。
GitHub 链接：https://github.com/deepseek-ai/dsh-superagent-prototype