10 月 31 日晚，DeepSeek Harness 团队发布技术文章《Super-agent 设计探索：迈向更自主的 Agent 系统》，并同步开源了原型项目
dsh-superagent-prototype（MIT 协议）。这一次，重点不是更聪明的模型，而是一套让 AI「自己找活干」的底层架构。
想象一下：你正在工作群里和同事激烈讨论某个 Bug 到底怎么修。话题还在进行中，一个 Pull Request 已经出现在 GitHub 上——问题复现了、原因定位了、修复方案写好了，就等人来 Review。
而自始至终，群里没有任何人去 @ 那个 AI。
这不是科幻片桥段，而是 DeepSeek 团队内部每天都在发生的研发日常。10 月 31 日晚，DeepSeek Harness 团队公开发文，揭开了这套 Super-agent（超级智能体）架构的面纱，并把原型代码放上了 GitHub。
需要先说清楚的是：官方明确这是研究原型，不是正式产品。 但它透露的方向，值得所有关注 Agent 的人认真读一读。
现在的 Agent，卡在哪了？
过去一年，Coding Agent 已经证明了一件事：模型用工具解决单个复杂问题，已经越来越不需要人干预。
但新的瓶颈浮出水面了——人的注意力。
DeepSeek 团队观察到一个很具体的数字：一个人通常只能同时跟进 3～5 个活跃会话。现有主流 Agent 以单一 Session 为运行单元，这带来三个老大难问题：
-
1. 同步阻塞：让 AI 跑个长测试或写份长报告，聊天窗口就像卡住了一样，干等它做完才能安排下一个活； -
2. 上下文串台：一个窗口里同时聊两三件事，AI 的记忆立刻混乱，输出驴唇不对马嘴； -
3. 跨平台割裂：任务在群里讨论、在 GitHub 评审、在邮件里确认，人只能当"传话筒"，把这个窗口的结论搬到另一个窗口。
一句话总结：模型越来越能干，人却成了最忙的那个调度员。 多任务的上限，正从"模型能力"转向"人的注意力"。
Super Agent 的答案：一个包工头，带一群特种兵
Super Agent 想做的，通俗讲就是一个一直在线、能同时干多件事、会主动找活干、出问题能自己恢复的 Agent。它有四个基本特征：
-
• 连续：在 IM、GitHub、邮件等任何熟悉界面交互，感觉始终只有同一个 Agent。你在群里说采用方案 A，转头在 GitHub PR 评论里改成方案 B，它跟得上。 -
• 高效：不用等上一个任务完成，就能接受下一条指令。 -
• 主动：持续观察环境事件，没人叫它也会推进值得处理的事。 -
• 持久：始终在线，异常自动恢复。
支撑这四个特征的，是五大模块。最核心的是双层架构：
Router 层：只分派，不干活
Router 是常驻的全局路由层，统一承接所有入口的人类交互、维护全局记忆。它有个刻意的设计——原则上不亲自执行具体任务，甚至可以不配备 Bash 工具。总调度员如果自己埋头修代码，就容易顾此失彼。
有趣的是，团队实践发现 Router 的活儿没那么复杂，用较轻量的模型往往就能兼顾速度与效果。
Worker 层：只干活，不抢话
Worker 由多个上下文隔离的会话组成，各自专注完成单一任务，通常配备能力最强的模型。它们不直接和人类对话，干完活只向 Router 汇报，由 Router 统一回复用户——避免多个会话各自输出带来的混乱。
你可以说这和常见的"Agent Team / Subagent"很像。区别在于：常见 Team 用于单个任务内部的步骤拆解，耦合很紧；而 Super-agent 的 Router 处理的是任务之间的高层关联与分派，把"全局上下文连续性"和"多任务并发吞吐"这对矛盾解耦了。
Session 从用户的认知负担，变成了系统内部实现细节。
事件驱动：不等指令，环境就是输入
Super Agent 的输入不再是人类逐条键入的提示词，而是环境中的 Trigger（触发事件）：群聊消息、邮件、日程提醒、代码评审评论、CI 运行结果……
但要主动干活，也得知道什么时候别插手。群里大部分消息根本不需要 Agent 介入，如果每句话都丢给大模型判断，既费钱又讨人嫌。于是团队借鉴计算机系统的经典思路，设计了两级过滤：
-
• 程序层策略（Fast Path）：来源、群组范围、白名单等确定性条件，直接用代码快筛，在调模型前滤掉大部分噪音； -
• 语义层策略（Slow Path）：过滤后的候选事件再交给 LLM，结合上下文判断是否需要行动。策略本身用提示词写，随时可以开关和扩展。
配套的还有订阅与直通机制：Router 只负责新任务的冷启动；一旦 Worker 接手某条 Thread（比如同一个 GitHub PR、同一个 IM 话题），后续事件由程序直接送达，不再绕行 Router。同一个 Thread 还可以被多个 Worker 订阅，让它们有机会自行发现和解决冲突。
此外，上下文管理用 Inline & Spill：近期很可能用到的信息直接内联进上下文窗口，低频长内容溢出到窗口外、只留摘要索引，模型按需多跳召回。团队的原话很实在——"浪费上下文窗口，就是浪费模型的智能。"
存算分离 + Watchdog：让 AI 真正 7×24 在线
多任务并发只是快，要长期稳定运行，还得解决"设备关机怎么办""程序假死怎么办"。
存算分离：Agent 的推理计算放在云端弹性资源，会话状态持久化存储；而本地开发机不必全部上云，靠轻量 daemon 按需接入——BYOM（Bring Your Own Machine）模式。电脑暂时离线，云端保留任务状态；必须在本机完成的操作，等设备重新上线后继续。
Watchdog 监督者：一个独立的控制回路，持续监控任务进展。它不只探测进程存活，还识别"程序还在跑但事情没在推进"的逻辑异常——比如模型陷入无效循环、反复用同一个失败办法、任务偏离目标——并自动尝试恢复。
这一点说得很透：程序还在运行，和事情正在推进，是两回事。
实测数据：快了一倍，代价是更多 token
团队在约 300 条消息、20 项工作请求的模拟协作环境中做了实验：
|
|
|
|
|---|---|---|
|
|
12.4 分钟
|
|
|
|
15.7 分钟 | 29.5 分钟 |
|
|
|
|
|
|
|
|
结论是：拿更多 token 换时间和稳定性。多会话并行必然多花缓存读取，且这套实验用模拟的耗时工具替代了真实编码，衡量的是调度与协作能力，不能直接证明真实代码交付质量。
写在最后
当 AI 学会了"自己找活干、自己派 AI 干"，人从拧螺丝的操作工，上移到做决策、做把关的架构师。人省下来的注意力，应该容得下人自己的选择——等到我们不用时刻惦记 AI 有没有停、有没有跑偏，我们才真正看到了自主智能体的曙光。
END
#agent #harness #deepseek #开源 #CodingAgent
如果这篇文章对你有帮助，欢迎点赞、在看、转发|