DeepSeek开源超级智能体架构：五大模块重塑Agent底层逻辑
智东西11月1日报道，10月31日晚间，DeepSeek Harness团队正式公开其自主Agent探索成果——Super-agent（超级智能体）的底层架构。该项目已在GitHub开源。
▲Super-agent开源项目地址
https://github.com/deepseek-ai/dsh-superagent-prototype
DeepSeek定义的“Super-agent”并非单一新产品，而是一种将计算机系统经典思想（如调度、缓存、存算分离、看门狗机制）引入Agent架构的新思路。其核心目标是打造一个持续在线、并行处理多任务、主动寻找工作并具备自愈能力的智能体，从而将人类从繁琐的执行层解放出来，专注于决策与验收。
该架构通过五大核心模块——双层架构、事件驱动、异步多信道交互、存算分离与外部Watchdog，在底层接管会话管理与上下文同步，解决传统单Session模式下的注意力瓶颈。
▲Super-agent整体系统架构
初步实验数据显示，基于该架构的Super-agent表现显著优于传统单Session模式：50%的任务在12.4分钟内完成，95%的任务在15.7分钟内完成。此外，Router层的批处理机制能将单个决定的分摊推理时间从6.4秒大幅降至1.6秒。尽管这是以消耗更多Token为代价换取时间与稳定性，但初步验证了“系统层接管会话调度”的可行性。
一、Super-agent核心理念：跨会话连续与并行推进
随着Coding Agent等单任务工具成熟，人工干预逐渐减少，但现有Agent仍受限于单一Session，面临同步阻塞、上下文混乱及设备离线即停等问题。DeepSeek提出的Super-agent旨在成为一个跨会话保持上下文、并行推进多任务且互不干扰的连续实体。
▲同一个任务在IM群聊与GitHub Pull Request评审之间连续推进
▲持续关注公共群聊，在无人@的情况下主动识别缺陷并提交修复Pull Request
- 连续：用户可在IM、GitHub等熟悉界面交互，无需担心Session切换导致的上下文断裂。
- 高效：支持并行处理多个复杂任务，响应迅速，无需等待前序任务完成即可接受新指令。
- 主动：持续观察环境事件，主动推进值得处理的事项，无需时无声静默。
- 持久：始终在线，接入真实工作环境，遇异常可自动恢复。
二、双层架构： Router分派与Worker执行解耦
为解决连续交互与高并发执行的矛盾，DeepSeek采用双层架构：常驻Router层负责全局协调与人机交互，上下文隔离的Worker层负责具体任务执行。
▲双层架构：Router层统一负责路由与对外交互，多个Worker Session隔离并发执行任务
1. Router层：轻量分派与批处理优化
Router层作为全局路由，承接所有人类交互，充当全局序点、协调点和记忆。为避免性能瓶颈，Router不直接执行具体任务，仅负责任务分派。其内部实现采用常驻LLM Session，利用批处理机制应对突发流量：当事件密集涌入时，积压的Trigger合并处理，单次请求耗时增长缓慢，显著降低单个决定的分摊推理时间。
2. Worker层：专注执行与冲突自愈
Worker层由隔离的Session组成，挂载完整执行工具，使用最强模型确保任务质量。Worker不与人类直接交互，而是向Router汇报状态。多任务并发时，若涉及共享环境（如同一PR），Worker通过订阅同一Thread自行发现并解决冲突，少数协同由Router中转。
三、事件驱动：四步实现Agent主动性
Super-agent将环境中的半结构化事件（如群聊消息、CI结果）作为主要输入（Trigger），通过以下四步实现主动响应：
1. 两级过滤：程序快筛+模型慢判
借鉴Fast Path/Slow Path思想，先通过程序策略（白名单、来源检查）快速滤除大部分噪音，再将候选事件交由LLM进行语义判断，平衡延迟与成本。
▲两级过滤：先由程序层策略筛除大部分无关消息，再交由语义层策略判断
2. 订阅直通：减少Router负载
Router仅在冷启动时创建Worker并建立订阅。同一Thread下的后续事件直接发往已订阅的Worker（Fast Path），无需经Router转发，大幅降低全局节点负载。
▲Thread示例：同一个IM话题或同一个GitHub Pull Request下的连续Trigger构成一条Thread
▲订阅与直通：初始事件经由 Router 层创建 Worker 并建立订阅，同一 Thread 的后续事件直接发往该 Worker
3. 上下文管理：Inline & Spill及链式召回
采用Inline（内联高频信息）与Spill（溢出低频信息至外部）策略管理上下文窗口。结合唯一ID构建引用图，支持链式召回，使模型能按需逐步展开长程上下文，避免信息过载或丢失。
▲链式召回：每次召回的对象均内联下一跳关联对象的ID，支持沿引用关系逐跳展开上下文
4. 投机执行：后台预试，有价值才交付
借鉴投机执行思想，Agent根据环境信号在后台提前尝试（如复现Bug、起草回复）。若结果有价值则交付，否则丢弃，以此减少人类等待成本。
▲投机执行示例：群内还在讨论解决方案时，Super-agent已在后台提交了修复Pull Request
四、面向人的交互：全双工与多信道适配
1. 全双工交互：异步ReAct Loop
将耗时工具调用改为异步start()/stop()模式，解除前台对话与后台任务的阻塞关系。Agent在执行耗时任务时仍能实时响应新指令，实现真正的全双工交互。
▲经典ReAct Loop与异步ReAct Loop对比
2. 多信道适配：差异化输出规范
针对不同信道定制交互规范：IM信道侧重低打扰，限制单次回复长度；GitHub、邮件等异步信道侧重结构化、高信息密度的完整交付。冗长推理过程隔离在Worker内部，由Router层统一对外输出精简结果。
五、存算分离与外部Watchdog：确保持久在线
为实现持久在线，架构采用类Anthropic的“脑手分离”思路，将计算、状态与环境解耦。
1. 存算分离与环境解耦
第一步，将Agent Loop计算与会话状态分离，实现云端持久在线；第二步，将云端Agent与执行环境解耦，支持接入用户本地机器（BYOM）或云端环境。Agent可根据任务需要在不同设备间切换，甚至支持间歇在线设备的任务接力。
▲存算分离与执行环境解耦
2. 外部Watchdog：双重监控保障
引入独立的外部Watchdog Session作为Control Loop，不仅监控基础设施存活，还通过模型判断任务进展与方向。发现异常时介入修复，支持自然语言查询故障原因及在线修正系统行为。
六、实验验证与未来挑战
初步消融实验表明，Super-agent在速度和稳定性上均优于带Subagent的单Session方案。去掉直通机制后，Router决定数增加约30%，读缓存Token增加约37%，证明直通机制有效节省了Router的推理开销。Router批处理压测显示，在高负载下能有效降低单决定分摊时间。
▲工作请求的累计到达曲线与四种方案的累计完成曲线
▲每种方案重复运行 5 次，任务完成时间指从工作请求到结果消息的耗时
▲不同Trigger到达速率下Router Session的batch大小、单次请求耗时与单个决定的分摊推理时间
尽管架构已初步验证，但仍面临四大挑战：双层架构在超大规模下的扩展性、脱离Session后的人机协作形态、多实例间的A2A通信边界，以及云端接入端侧凭据的安全隐私问题。
结语
DeepSeek Super-agent通过将计算机系统工程思想应用于Agent架构，旨在解放人类注意力瓶颈。目前该原型已在内部持续运行，参与代码审查与问题修复。虽然仅为技术验证原型，但其设计思路为构建更自主、持久的AI协作者提供了重要参考。
