10 月 31 日晚间，DeepSeek Harness 团队在其官方公众号发表技术文章《Super-agent 设计探索：迈向更自主的 Agent 系统》，并同步在 GitHub 开源研究原型 dsh-superagent-prototype（MIT 许可证，deepseek-ai 官方组织）。这篇文章开宗明义地声明：它"是一篇面向工程实践的架构思路探讨，并非对 DeepSeek Harness 现有产品功能的介绍"。但发布两日内，仍被多家中文媒体密集解读，原因在于它指向了一个正在成形的判断——当模型完成单个任务已越来越不需要人工干预时，限制 Agent 产出的不再是模型能力，而是人的注意力。
按照 DeepSeek 团队的设想，Super-agent 不再是一个被动等待指令的对话窗口，而是"数字环境中持续在线的自主协作者"：它能跨会话保持上下文、并行推进多项任务且互不干扰，在无人 @ 的情况下也能识别群聊中的潜在缺陷，在后台复现问题并尝试修复。基于这套架构构建的内部实例，据称已在 DeepSeek 日常研发中持续运行。
图 1 Super-agent 架构示意：Router 统一承接交互与分派，五个功能模块环绕支撑，Worker 在隔离会话中并发执行一、从"模型瓶颈"到"注意力瓶颈"
过去一年，以 Coding Agent 为代表的单任务 Agent 已经证明，模型能够使用工具解决复杂问题，且越来越少需要人类持续监控和逐步干预。DeepSeek 团队观察到的变化是：人类在底层执行中的参与正在减少，角色上移到决策与验收。
但新的瓶颈随之出现。现有主流 Agent 大多以单个 Session（会话）为单位工作，用户想并行推进几件事，只能反复切换窗口、自己记住每个任务的上下文。该团队的表述，一个人通常只能同时跟进 3 至 5 个活跃会话——多任务的上限，正从"模型能力"转向"人的注意力"。
Super-agent 的核心思路因此被概括为：把会话管理与上下文同步从人手上移到系统层面，由系统在底层接管调度与执行，人则专注于目标设定与结果验收。设计文档将原则写在了第一行：尽可能少占用人的注意力，尽可能多给出价值。
二、Super-agent 是什么：四个基础特征
DeepSeek 团队认为，Super-agent 应具备四个基础特征。其一是"连续"：用户可以直接在 IM 聊天、GitHub 评论等熟悉的工作界面与之交互，感觉始终只存在一个 Agent，不需要去想"Session X 的上下文中是否有 Y 信息"——例如用户先在 IM 上提出采用方案 A，随后在 GitHub Pull Request 评论里改为方案 B，系统能理解并调整执行方向。其二是"高效"：交互响应迅速，无需等上一个任务完成就能接受下一条指令。其三是"主动"：无需等待用户逐条下达指令，能持续观察环境事件并主动推进值得处理的事项，不需要介入时保持安静。其四是"持久"：始终在线、直接接入用户真实的工作环境，长期运行中遇到异常能自动恢复。
团队同时给出了一个带有工程判断色彩的推论：无论是个人助手，还是软件开发等商业场景的 Agent，如果目标是构建持续在线、并发响应环境事件的系统，底层可能采用相近架构——而这些问题与传统计算机系统长期探讨的问题高度相似，因此调度、缓存、存算分离、看门狗等经典设计思想，同样可以搬进 Agent 架构。
三、架构拆解：五类模块支撑一个"AI 虚拟团队"
Router-Worker 双层架构是整个系统的骨架。Router 层是常驻的全局路由节点，承接所有入口的人类交互，维护跨任务的上下文与记忆，并负责任务分派——但它自己不执行具体任务，甚至可以不配备 Bash 工具，因此使用较轻量模型往往就能兼顾速度与效果。Worker 层则由上下文相互隔离的执行会话组成，挂载完整工具、专注单一任务，通常配置能力最强的模型。Worker 不直接面向用户回复，其推理过程与工具调用不会直接输出到外部信道，而是向 Router 汇报状态，由 Router 统一答复。用户面对的始终是同一个 AI 助手，系统背后可能是多个 Agent 同时工作。团队强调，这与常见的 Agent Team 协作不同：Router 只处理任务之间的高层关联与分派，无需介入单任务内部的步骤拆解。
事件驱动改变了系统的驱动方式：群聊消息、邮件与日程提醒、代码审查评论、CI 运行结果等环境事件被称为 Trigger（触发器），成为 Agent 的主要输入。由于真实群聊呈现"高噪音、低触发率"特征，系统采用两级过滤：程序层策略作为 Fast Path，用确定性代码快速筛除明确无关的消息，零 Token 消耗；语义层策略作为 Slow Path，将候选事件交给大模型判断是否需要行动。在事件路由上，文章引入"订阅与直通"机制：Router 根据初始事件创建 Worker 后，该 Worker 直接订阅对应 Thread（同一 IM 话题或同一 GitHub Pull Request 下的连续事件流），后续事件由程序直通送达，无需再绕经 Router 转发。
存算分离则面向持久在线：执行循环放在云端，会话状态单独存入数据库，本地只保留一个轻量 daemon（守护进程），即便电脑离线，任务也能继续推进。外部 Watchdog 独立于主系统运行，负责检查任务是否陷入无效循环并尝试修复。此外，文章还讨论了异步 ReAct Loop，使 AI 执行耗时任务时仍能响应新指令——该机制尚未默认开启。
在上下文组织上，文章借用了编译优化中的 Inline & Spill 思想：近期很可能用到的信息直接内联进上下文窗口，低频或超预算的完整信息留在外面、只保留摘要供按需召回。文章中一句直言被多家媒体转引："浪费上下文窗口，就是浪费模型的智能。"
四、初步实验：数据亮眼，但边界同样清晰
文章附带了两组初步实验数据。在约 300 条消息夹杂 20 项请求的合成负载压测中，Super-agent 方案一半任务在 12.4 分钟内完成（P50），95% 的任务在 15.7 分钟内完成（P95），显著优于带 Subagent 工具的单 Session 方案（后者 P95 达 29.5 分钟）。在消融实验中，去掉订阅直通后，任务完成时间几乎不变，但 Router 决定数增加约 30%，读缓存 Token 从 2323 万增至 3177 万（约多耗 37%）；而 Router 的批处理机制能把单个决定分摊的推理时间从 6.4 秒降到 1.6 秒。
这组数据说明"系统层接管会话调度"在工程上可行：Router 靠直通省开销、靠批处理扛突发。但文章同样坦率地标注了边界——它是用更多 Token 换取时间与稳定性，且实验基于合成负载与简化环境，只是初步参考，不是正式产品结论。
五、原型落地：让 AI 在 GitHub 与飞书之间"接活"
开源的 dsh-superagent-prototype 基于此前开源的 DeepSeek Harness 构建。作为背景，DeepSeek Harness 是该公司 8 月 13 日晚开源的智能体运行时框架（同为 MIT 协议），以"一切皆插件"著称，官方给出"Model + Harness = Agent"的定位；该项目 2026 年 5 月在内部立项，开源后半小时内 GitHub 星数破万，此后持续攀升。
具体到本次原型，GitHub 仓库 README 介绍：dsh-superagent 是面向单个代码仓库的主动式编码 Agent，以 DeepSeek Harness 插件形式运行，监听 GitHub 事件，并可选配飞书。获准用户提出任务后，系统创建工作项，在独立会话和目录中执行，再回到原对话汇报——例如提交一个 Pull Request；一个网页面板则集中显示需要人工处理的事项。公开代码聚焦单个仓库场景，供开发者参考试用，部署前需要检查代码并按实际环境调整。
值得注意的是边界声明。README 明确写道：这是"仅供参考的研究原型，不是 DeepSeek 官方产品"，大量工程由编码 Agent 完成，代码可能仍含缺陷；公开版本经过发布适配，与内部版本及文章所述实现并不完全一致，文章中讨论的部分设计属于未来方向、尚未在此原型中实现。腾讯科技的报道亦指出，原型围绕授权请求和团队预先设定的规则运行，"主动处理"是设计文章展示的内部探索方向，与开发者下载后即可使用的功能范围并不完全相同。
六、行业观察：Agent 竞争正在从模型能力转向系统架构
此次发布的时间点，恰逢国产大模型密集迭代：10 月 17 日 DeepSeek 发布 V4.1-Flash-1017，10 月 19 日 MiniMax 发布 M3.1 Flash，10 月 24 日月之暗面发布 Kimi K3.1 Pro。当基座模型能力快速趋同，Agent 的竞争焦点正从"模型能不能完成任务"延伸到"系统如何组织任务"。
专业机构对这一方向持审慎积极态度。IDC 中国研究经理孙振亚认为，DeepSeek 的技术思路与"管家式智能体"方向一致：当前智能体的交互逻辑大多仍沿用生成式 AI 的思路，由用户自行管理对话和 Session，而更好的解决方案是以任务为中心进行路由调度，帮助用户管理并发任务；"打造 Agentic 管家型助理，而非被动式助理是未来方向"。
从更大视野看，DeepSeek 的选择延续了其开源策略的一贯逻辑：不把 Super-agent 包装成产品，而是把架构思路与参考实现交给社区，让开发者自行验证、改造。这与 Harness 开源两个多月来社区累计开发数千个插件的经验一致——生态的活跃度，最终决定架构思路能否真正落地。
七、结语：自主的边界与人的位置
Super-agent 描绘的图景值得期待：AI 从"等人派活"走向"自己找活"，人的角色从调度台上移到决策与验收。但冷静看，它目前仍是一个研究原型：实验基于合成负载，主动介入依赖预设规则与授权边界，Token 成本与稳定性有待真实环境检验，文章亦承认"在全局记忆问题被解决前"，连续性与吞吐量的权衡始终存在。
真正值得关注的不是"AI 开始指挥 AI"的叙事本身，而是它标记的系统设计转向——当多任务上限从模型能力变为人的注意力，答案不再只是把模型做得更强，而是把操作系统级的调度、隔离与容错思想搬进 Agent 架构。这条路能走多远，2026 年接下来的开源社区实践会给出初步答案。
