当大多数 AI 助手仍需用户通过 @ 符号触发时，DeepSeek Harness 团队内部已部署了一种无需指令即可主动工作的 AI 系统。
10 月 31 日，DeepSeek Harness 团队发布长文并开源原型代码，将这种 AI 定义为 Super-agent（超级智能体）。该系统在内部用户群中 7x24 小时潜伏，能自动识别 Bug、复现、排查并提交修复 PR，全程无需人工干预。
经核查 DeepSeek Harness 公开仓库的提交记录，疑似由 Super-agent 留下的脚印接近 100 个。
案例实证：从被动响应到主动修复
DeepSeek 在长文中展示了三个典型案例。例如，针对用户反馈的双击误触 Bug，Super-agent 不仅查明原因，还附带了修复前后的对比截图。在波浪号渲染错误引发团队关于训练数据或渲染规则的争论时，Super-agent 已直接提交 PR 解决了问题。
通过追踪代码分支命名规则（工单 ID 前 12 位），发现从 9 月 14 日至 10 月 29 日，合并了 99 个符合特征的 PR，其中 10 月单月达 75 个。尽管无法完全区分是被动响应还是主动发现，但其高频产出证实了系统的活跃度。
这些任务多为界面微调，如深色模式交互优化、菜单布局调整等。值得注意的是，相关代码提交挂在一个简介为 they're made out of meat（源自科幻短篇小说《他们是由肉做的》）的 GitHub 账号下，增加了其背后操作者身份的神秘感。
架构解析：突破人类注意力瓶颈
DeepSeek 指出，当前 AI 开发的主要瓶颈并非模型能力，而是人类的注意力上限。普通人通常只能同时跟进 3 到 5 个活跃 Session（代理窗口）。为解决多任务并行管理的难题，Super-agent 采用了双层架构设计：
- Router（路由层）：作为“包工头”，使用轻量级模型，负责监听所有消息并进行任务分发，不执行具体任务。
- Worker（执行层）：作为“牛马”，配置最强模型，专注处理单一任务，完成后向 Router 汇报。
压力测试显示，随着消息量从每分钟 1 条增至 40 条，Router 通过批量处理积压消息，将单个决定的平均推理时间从 6.4 秒降低至 1.6 秒，实现了“越忙越快”的效果。此外，系统引入“投机执行”机制，仅在判断值得动手时才在后台静默尝试，无效则丢弃，进一步减少干扰。
性能对比：效率与成本的权衡
与传统单 Session 搭配 Subagent 的模式相比，双层 Super-agent 优势明显。实验显示，传统模式下模型往往因提示词中性而不愿委派任务，导致效率低下；而 Super-agent 95% 的任务可在 15.7 分钟内完成，速度比单 Session 模式快近一倍。
代价在于 Token 消耗。Super-agent 单次实验读取缓存 Token 约 2323 万，是单 Session 模式（605 万）的 4 倍。但得益于 DeepSeek-V4.1-Flash 低廉的缓存命中价格，额外产生的 1718 万 Token 仅增加 0.3-0.7 元成本，使得该架构在经济上具备可行性。
核心原则：极简交互与静默执行
Super-agent 的核心设计理念是“尽可能少占用人的注意力，尽可能多带来价值”。为此，其提示词严格限制输出行为：
开发者可将以下核心逻辑融入 CLAUDE.md 或 AGENTS.md：
1. 默认静默：仅在结果可验收、需人工介入或任务失败时主动发言，不发送中间进度。
2. 极简表达：每条消息不超过 100 词，禁止长句、列表或连发。删除任何不影响理解的修饰语。
3. 拒绝废话：不说“我来处理”，技术细节留在 PR 中而非聊天记录里。
4. 避免重复：已授权任务不请示，常规细节不问，状态无变化不重复发送。
5. 理性评审：参考自动化评审机器人意见，但不过度依赖，每个 PR 最多回应三轮。
6. 身份标识：GitHub 消息首行必须注明“这是自动化智能体写的，不是人写的。”部署指南：如何使用 Super-agent 原型
目前 Super-agent 仅为研究原型，需配合 DeepSeek Harness 使用。用户可通过以下步骤尝试：
- 克隆 GitHub 仓库至本地。
- 指示 Agent 读取
SETUP.md并安装dsh-superagent。 - 自行注册独立的 GitHub 账号供 Super-agent 使用。
原型默认仅监听一个 GitHub 仓库。若需接入群聊（如飞书），需手动配置全量接收模式，并切换至 auto 模式以启用静默修复功能，同时需自定义相关规则。
随着 Super-agent 等常驻智能体的出现，AI 正在从“工具”向“同事”演变，重新定义人机协作的边界。