编者摘要：本文介绍 DeepSeek Harness 提出的 Super-agent（超级智能体）架构，旨在突破传统会话式 Agent 隔离、阻塞、被动等待指令的局限，打造持续在线、事件驱动的自主协作者。Super-agent 具备连续性、高吞吐、主动式、持久可靠四大特征，核心是借鉴计算机系统经典思想，采用 Router-Worker 双层架构：Router 层负责全局记忆、事件路由与任务分发，Worker 层隔离执行各类任务，互不干扰。

系统配套事件过滤、订阅直通、Inline&Spill 上下文缓存、回忆链、投机执行机制；采用异步全双工交互适配多渠道输出风格，并将计算、状态、执行环境解耦，支持 BYOM 本地环境接入，辅以独立 Watchdog 看门狗实现异常自愈。

初步实验验证双层架构相比单会话子 Agent 方案，任务完成更稳定、尾部延迟更低。目前仍存在架构扩容、A2A 通信、安全隐私等待解决问题。该方案重心不在模型本身，而在系统层释放人力，让人类聚焦高层决策审批。

10个关键问题Q&A

1. Q：Super-agent 和普通多 Agent 团队（Agent Team）的核心差别？A：Agent Team 通常是一个任务内拆解分工，组长深度理解任务、频繁协调；Super-agent 的 Router 只做高层分派，不拆解任务，Worker 独立执行，靠事件订阅感知冲突。
2. Q：为什么不能直接用强 Prompt 让单会话自动派子 Agent，而要做双层架构？A：Prompt 是软约束，模型随时会选择自己执行任务，造成阻塞、尾部延迟不可控；双层架构是系统硬约束：Router 不执行业务任务。
3. Q：Pass-through 直通机制带来什么收益？A：不减少任务耗时，显著降低 Router 的推理与 Token 负载，避免全局路由节点成为瓶颈。
4. Q：Inline & Spill 是什么？A：把上下文窗口当成 Cache，高频相关信息内联进窗口；低频超长内容溢出到外部存储，保留指针按需读取。
5. Q：Chain of Recall 解决什么问题？A：Router 无法永久保存全部历史，依靠对象 ID 引用图，支持多跳检索很久以前的任务上下文。
6. Q：Speculative execution 投机执行的风险？A：消耗额外算力跑可能无用的任务；收益是用户等待更少、更少手动介入。
7. Q：BYOM 是什么，解决了什么痛点？A：Bring Your Own Machine，执行环境留在用户本地机器，只跑轻量 daemon；解决本地私有环境、未提交代码、内网依赖难以迁移上云的难题。
8. Q：Watchdog 和普通进程监控脚本区别？A：不只看进程死活；用模型判断任务是否有效推进、是否逻辑跑偏，支持自然语言运维调规则。
9. Q：Super-agent 安全最大隐患在哪？A：云侧 Agent 一旦被提示注入攻陷，可以下发指令控制所有连接的本地 daemon，访问本地凭证与私有代码；凭据隔离是硬难题。
10. Q：这个架构现在是正式产品吗？A：不是，是架构方案 + 原型验证，仓库仅用于验证技术路线，不是官方正式功能。

附录  DeepSeek Harness・Super-agent（超级智能体）

Super-agent 不是更强的单轮 ReAct 智能体，而是一套借鉴传统分布式系统思想、打破会话隔离、事件驱动、常驻在线、多任务并行、具备主动能力的智能体系统架构；目标把瓶颈从模型能力转向解放人的注意力，人只做高层决策与审批。原文声明：这是架构设想，不是 DeepSeek Harness 现已上线的功能；配套原型仓库：dsh-superagent-prototype。

一、背景与痛点（为什么需要 Super-agent）

当下主流 Agent 的底层单元是会话（session），会话互相隔离：

1. 用户并行做多任务时，必须手动切换会话、记忆每个会话上下文；人类通常只能同时跟进 3–5 个活跃会话，多任务瓶颈是人的注意力，不是模型。
2. 普通本地 Agent、MCP/CLI 扩展依然是同步单会话：长任务阻塞、不同任务上下文混杂、设备离线就停止运行，运维成本高。
3. 新一代需求：常驻在线、事件驱动的 Agent（个人助理、研发协作机器人），监听 IM、GitHub、邮件、日历、CI 等环境事件，不等 @、不等指令主动干活。

👉 解决方案：把 Agent 从 “依附单次人工会话” 解绑，做成持续存在的独立实体，跨会话保有全局记忆、并行跑多个互不干扰的复杂任务，即 Super-agent。

Super-agent 四大核心特质

1. Continuous（连续性）
   跨渠道（IM / GitHub）交互，对外感知是同一个 Agent；跨场景理解需求变更（IM 提 A 方案，PR 评论改成 B 方案，Agent 自动对齐）。
2. Productive（高吞吐）
   快速响应、多复杂任务并行；可以在旧任务还没跑完时接收新指令。
3. Proactive（主动性）
   不是等指令，持续监听环境事件，判断哪些值得处理，无事静默。
4. Persistent（常驻可靠）
   一直在线，直连真实工作环境，长期运行异常自动恢复。

关键结论：单个 ReAct 循环无法同时满足四点，能力来自外层系统架构，而不是 Prompt 或者模型本身。个人 Agent 和企业研发 Agent 会收敛到相似架构，大量经典计算机系统设计范式可以复用。

二、五大核心模块架构（主体 2–6 节）

2. 双层架构 Two-Level Architecture（最核心）

解决矛盾：全局上下文连续性 VS 任务并发吞吐

• 方案拆成两层，逻辑职责分离：Router 路由层 + Worker 工作层

2.1 Router 路由层（长生命周期全局层）

• 职责：接收所有渠道用户交互、全局记忆、任务调度、跨任务协调；不执行业务任务，不跑代码 / 长工具，只做分派。
• 内部：可以是一个长驻 LLM session；事件会排队、自动批量合并（batching），利用 Prefill 并行，突发流量下摊薄单决策推理耗时。
• 和常见 Agent Team 的区别：
• Agent Team：把一个大任务拆成子步骤，组长深度理解任务、频繁协调子任务，推理负载很重；
• Router：只在高层跟踪任务之间关联，不拆解单个任务，轻量化，可用更小模型。
• 扩容：单 Router 不够时，可以分片（sharding），代价是全局上下文割裂。

2.2 Worker 工作层（隔离执行层）

• 每个 Worker 绑定单一任务、独立隔离上下文、全套执行工具，用更强模型保证代码 / 任务质量。
• Worker 不直接和人对话：中间思考、工具调用全部对内，只向 Router 上报状态；由 Router 统一对外回复，避免多个 Worker 同时回消息造成混乱。
• Worker 之间一般不直接通信：冲突（比如同一个 PR）依靠订阅同一个事件流，各自感知、自行消解；只有跨任务重大协调交给 Router。
• Worker 内部还可以嵌套子智能体 / Agent Team，对上层 Router 透明。

设计哲学：Session 是实现细节，不应该成为用户的心智负担；产品层的项目管理边界，可以和底层执行会话边界解耦。

3. 事件驱动触发器 Event-Driven Triggers（实现 Proactive 主动）

输入不再是用户主动输入的 Prompt，而是环境产生的半结构化事件（Trigger：消息、PR 评论、CI 结果、邮件提醒等），整套流水线四步：

3.1 两级事件过滤（Fast Path / Slow Path）

• Fast Path（代码硬策略，低开销）：基于来源、白名单、群组做确定性过滤，直接丢弃绝大多数噪声消息，不调用大模型。
• Slow Path（LLM 语义策略）：通过初审的候选事件交给模型，用 Prompt 定义业务规则，判断要不要行动；支持自然语言随时增删策略。

3.2 订阅与直通机制 Subscription & Pass-through

引入 Thread：同一个 PR / 同一个聊天话题下连续的事件流，就是一个 Thread。

• 新 Thread 第一个事件 → Router 创建 Worker，Worker 订阅这个 Thread；
• 后续同 Thread 事件：走直通 Fast Path，直接发给订阅的 Worker，不再经过 Router；
• Worker 觉得事件不属于当前任务，可以退订、回传给 Router 重新分派；
• 多对多订阅：一个 Worker 订阅多个 Thread；一个 Thread 被多个 Worker 订阅，天然共享事件感知。

实验结论：直通不显著缩短任务耗时，但大幅降低 Router 的 Token 和推理压力（约 37%）。

3.3 上下文组织：Inline & Spill + Chain of Recall

把上下文窗口当成高速缓存：

• Inline：把近期高概率用到的内容直接放进上下文，减少反复工具拉取；
• Spill：超长 / 低频内容放到上下文外，只保留摘要 + 指针，需要时按需读取；
• Chain of Recall（回忆链）：所有 Trigger / Thread / Worker 都有唯一 ID，对象之间引用成图；模型可以沿着 ID 多跳检索历史上下文，解决 Router 长期运行、无法保存全部历史的痛点。

3.4 预判执行 Speculative Execution

借鉴 CPU 投机执行：基于环境信号，后台提前预跑任务，不管最后会不会用到结果；有用就交付，没用直接丢弃。例子：群里有人报 bug，Agent 后台悄悄复现、尝试修复；确认可行才提交 PR，否则全程静默，不打扰人。

4. 全双工多通道交互 Full-Duplex Multi-Channel

解决两个交互痛点：任务不阻塞对话 + 不同渠道适配话术风格

4.1 异步 ReAct（全双工）

传统 ReAct 是半双工：调用耗时工具时阻塞，等返回才能接收新消息。改造：start()/ stop()异步接口，发起任务立刻返回 “已启动”；后台任务结束后，以新事件形式推送结果；前台对话随时可以响应新输入、随时终止失控后台任务。

DeepSeek Harness 已有该机制，但默认未开启。

4.2 多渠道适配

Router 统一对外输出，按渠道规范控制信息密度：

• IM 即时通讯：简短（文中经验上限 100 词）、少打扰，只在需要确认 / 审批时通知；
• GitHub、邮件、文档：结构化、信息完整，按项目规范输出背景、变更、验证记录。

5. 计算、状态、执行环境解耦（实现 Persistent 常驻）

传统本地 Agent 绑定在一台机器：计算循环、会话状态、代码环境三位一体，设备休眠 / 离线就停机。两层解耦：

1. 计算与状态分离
   Agent 推理循环跑在无状态弹性云容器；会话、记忆、任务状态持久化在数据库；容器可以随便重启扩缩，Agent 不掉线。
2. 计算与执行环境分离（BYOM，Bring Your Own Machine）
• 云侧只跑 Agent 逻辑；开发机 / 本地环境不动，部署轻量无状态守护进程 daemon，只负责接收指令执行、返回结果；
• 优势：本地未提交改动、内网服务、私有凭证、特殊硬件环境不用全量上云同步；Agent 按需跨设备调度；设备间歇性在线也能自动续跑任务。

和 Anthropic Managed Agent 思路同源，但侧重点不同：Anthropic 面向客户 VPC 内按需沙箱；DeepSeek 优先适配开发者日常个人电脑。

6. 看门狗 Watchdog（异常自愈）

独立于主系统之外的外部控制循环，独立 Agent Session：

• 不只监控进程崩溃，还判断 Worker 是否有效推进任务、有没有跑偏死循环；
• 处理 API 报错、状态恢复失败、瞬态外部故障，自动重试修复；
• 支持自然语言排查故障、在线修改主系统提示词 / 触发规则，不停机调参。

三、初步实验（第 7 节，合成负载，仅作参考）

两组对照实验：

1. 消融实验：Super-agent vs 单会话 + 子 Agent负载：约 300 条消息（20 个真实任务请求，其余闲聊 / CI / 取消）

2. 方案	p50/p95 完成时长 (min)	总缓存读取 Token
   Super-agent	12.4 / 15.7	23.2M
   Super-agent（无直通）	12.6 /15.5	31.8M
   单会话 + 子 Agent（中性提示）	20.4 / 29.5	6.1M
   单会话 + 子 Agent（优先委派提示）	13.8 / 29.0	10.8M
   核心结论：单会话方案尾部延迟极差、依赖 Prompt 运气（模型可能选择自己执行任务，卡死）；双层架构在系统层面强制分派，稳定性更强；代价是更高 Token 消耗换取稳定低延迟。

3. Router 批量压测Trigger 到达速率从 1 / 分钟 → 40 / 分钟；平均批大小从 1→2.8；单请求耗时仅从 2.5s 涨到 3.9s；单决策摊销推理时间从 6.4s 下降到 1.6s。证明：单 Router 在中小团队规模下，依靠自动批处理，吞吐量足够，不需要过早分片牺牲全局上下文。

四、开放问题 Open Problems（第 8 节，未来方向）

1. 双层架构扩容边界
   什么时候 Router 需要分片、Worker 之间何时需要直接 A2A 通信；面向 Router 专用微调模型；长期记忆是最大瓶颈。
2. 无会话范式下的产品交互
   底层会话和前端聊天窗口解耦后，怎么设计任务视图、人工介入流程；聊天框只是交互载体之一，未来更多交互直接嵌在 Issue/PR/ 业务系统里。
3. 上下文边界与 A2A 通信
   组织变大后，如何划分 Super-agent 实例（哪些共享上下文、哪些隔离）；跨权限边界的 Agent 之间如何可靠协作。
4. 安全与隐私（高风险）
   云侧 Agent 循环 + 本地带凭证的 daemon 架构，存在提示注入、横向渗透、凭据泄露风险；需要做到 Agent 逻辑可以使用凭证，但无法读取、看到明文凭证。

五、总结

这篇文章没有提出全新大模型理论，是计算机系统经典思想在 Agent 领域的迁移：批处理、缓存（Inline/Spill）、异步 IO、解耦计算存储、投机执行、看门狗、订阅通知。范式转变：

旧 Agent：等待用户输入的聊天窗口；Super-agent：常驻在你的数字工作流里、自主推进任务的协作者；生产力瓶颈从模型能力，转移到人的注意力，人聚焦高层决策与审批。

插图：