专注AIGC技术的专业社区，关注大语言模型（LLM）的发展和应用落地，聚焦LLM及AI技术的市场研究和开发者生态，欢迎关注！
在软件开发团队协作中，处理代码问题往往涉及繁琐的消息转发、背景补充及人员分派流程。DeepSeek Harness团队致力于通过Agent系统自动化这一协调环节：从授权信息源接收请求，分派至不同执行会话，并将进展与结果反馈回原对话。
10月31日，该团队发布《Super-agent设计探索：迈向更自主的Agent系统》一文，并开源原型项目 dsh-superagent-prototype。此次发布的核心并非新模型，而是聚焦于Agent如何跨会话组织任务及并行推进工作。公开代码仅针对单个代码仓库场景，供开发者参考试用，部署前需严格审查代码并根据实际环境调整。
Router接收和分派，Worker负责执行
Super-Agent架构采用Router（路由）与Worker（执行者）双层设计。
Router负责接收来自GitHub等渠道的消息，维护任务关联并判断分发对象；Worker则在独立的会话和工作目录中执行具体任务，完成后将进度与结果交回Router，由Router统一向用户反馈。这种分工旨在减轻开发者在多任务切换、上下文记忆及信息搬运上的负担，使其更专注于任务本身。
Router仅负责全局协调，不介入具体执行细节；Worker之间上下文隔离，避免任务干扰。若多个Worker参与同一Pull Request，它们可订阅相关讨论串以获取后续更新。
公开代码从单个仓库开始
据项目README介绍，dsh-superagent以DeepSeek Harness插件形式运行，围绕单个代码仓库工作。系统支持监听GitHub，可选配飞书集成。获权用户提出任务后，系统创建工作项，在独立环境中执行并最终汇报结果（如提交Pull Request），网页面板则集中显示需人工处理的事项。
需注意的是，该设计虽包含“主动处理”构想，但公开原型严格基于授权请求和预设规则运行，不同于文章中展示的基于环境事件识别问题的内部探索案例。
该原型具备读取消息、访问代码库及运行命令的能力。部署文档明确提示，Worker以运行者的操作系统账户执行命令，账号凭证包装不构成系统隔离。开发团队在部署前务必审查代码权限、运行账号及执行环境。
测试看调度效率
设计文章披露了初步测试数据：每轮约300条消息中含20条工作请求，每种方案重复运行5次。结果显示，Super-Agent方案完成任务的中位时间（p50）为12.4分钟，95分位时间（p95）为15.7分钟；相比之下，单Session方案在中性提示配置下的p95为29.5分钟。
该数据主要反映任务调度和协作速度，而非代码正确率或编程能力。由于测试使用合成负载和简化环境，结果不能直接套用于真实研发项目。
在Router压力测试中，当事件速率从每分钟1条升至40条时，平均批处理大小由1增至2.8，单个决策分摊推理时间从6.4秒降至1.6秒。这表明系统在消息集中涌入时能通过合并处理降低推理成本，但实际效果仍受消息类型、任务复杂度及系统负载影响。
Agent要长期工作，权限和恢复机制得跟上
多Worker并行仅是起点。长期运行中，系统需解决消息可信度判断、任务偏离监控、权限管理及错误恢复等问题。
DeepSeek团队引入了Watchdog机制，用于监控接口错误、恢复失败及Worker任务进展。此外，长程记忆、Agent间通信、安全与隐私等因素也是决定系统能否从演示走向日常工作的关键。任务执行速度固然重要，但异常发现能力及人工介入机制同样关乎系统可靠性。
Super-Agent的价值在于将编程Agent从“单会话单任务”拓展至“系统协调多任务”。Router与Worker的分工模式虽非全新概念，但其能否在长期运行中保持上下文一致性、严格遵守权限并在复杂协作中稳定交付，仍需验证。此次开放的原型为研究提供了起点，但要真正融入日常开发流程，还需经过实际应用的考验。
END
