精华速览
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》，并同步在GitHub以MIT协议开源原型dsh-superagent-prototype。文章指出，单任务上限取决于模型能力，多任务上限取决于人的注意力，现有以单会话为单位的智能体架构无法支撑持续在线、事件驱动的多任务场景。其解法是Router-Worker分工架构：Router作为全局协调节点统一接收多渠道消息并分派任务，Worker各自维护独立上下文并行执行，辅以事件驱动、存算分离、外部watchdog等工程机制。内部实验显示任务完成时间中位数12.4分钟，但DeepSeek强调这是基于合成负载的初步实验，原型并非正式产品。
要点透视
- 10月31日晚，DeepSeek Harness团队在官方公众号发布技术文章，配套原型dsh-superagent-prototype同日在GitHub开源，采用MIT协议。
- 文章提出核心判断：单任务上限取决于模型能力，多任务上限取决于人的注意力，一个人同时只能跟进3到5个活跃会话。
- 架构分为Router和Worker两层：Router持续运行、统一接收群聊、GitHub、邮件等多渠道消息并维护共享上下文；Worker各自维护独立上下文并行执行，可调用Subagent。
- 系统引入事件驱动、存算分离、外部watchdog和异步ReActLoop等机制，其中异步ReActLoop尚未默认开启。
- 主动介入设两级过滤：先用程序规则筛掉明显无关消息，再由大模型判断是否真正需要处理，两道都通过才派发任务。
- 内部实例中，团队群聊提及“项目有BUG”且无人@它，Super-agent后台静默复现并找到修复方法后提交PR，后续可根据GitHub评论切换上下文继续修改。
- 实验数据显示，基于该思路的Super-agent任务完成时间中位数12.4分钟，95分位15.7分钟，优于带子工具的普通会话，但基于合成负载与简化环境。
- 原型目前主要面向一个GitHub仓库，也可选择接入飞书；公开发布版本与DeepSeek内部运行系统并不相同，部分功能仍在开发中。
文章拆解
DeepSeek此次发布的重点不在模型能力本身，而在智能体的工程架构。文章开篇即给出一个现实约束：模型越来越能独立完成单个任务，但人管理多任务的注意力并未同步增长，一个人同时只能跟进3到5个活跃会话。现有智能体以单个会话为基本单位，会话之间彼此隔离，A会话得出的结论B会话无从知晓，用户并行推进多项工作时必须手动切换并自行记住上下文，最终只有人掌握任务全貌。这一卡点决定了多任务场景的上限落在人身上，而非模型身上。
Router-Worker架构正是针对这一卡点的解法。Router不深入执行，只负责判断任务该推给谁并维护共享上下文；Worker各自维护独立上下文并行执行，冲突靠订阅同一话题自行发现，省去经Router转发的协调开销。DeepSeek自述这套设计并未提出全新理论，而是把计算机系统中的经典工程思想搬到智能体上，包括事件驱动、存算分离、外部watchdog和投机执行。其中“主动”是最需要克制的能力，两级过滤机制试图在及时响应与避免打扰之间取得平衡。
从行业位置看，Super-agent入场时赛道已相当拥挤。字节跳动8月发布“豆包工作”并与飞书深度打通，腾讯Workbuddy已上线试运营，阿里千问加速打造Personal Agent，蚂蚁灵光开启新版本内测，月之暗面则通过企业合作伙伴计划推动AI进入核心业务。争夺的焦点是AI的下一个入口——那个不用人开口就把事情办了的智能体。DeepSeek的差异化在于开源：底层Harness以MIT协议开放，模型、工具、技能、会话、沙箱一切皆插件，Super-agent原型同样开源，并从自身研发场景切入，首个场景是常驻代码仓库的Coding Agent。
这一姿势对应用层有直接影响。过去应用层的护城河是“更懂怎么调用模型”，一旦底层模型公司把Agent框架和最佳实践开源，这层能力差会迅速变薄。对DeepSeek自身而言，这也是新战场：此前主要与OpenAI、Anthropic比模型，现在要跟字节、腾讯、阿里比产品、比场景、比谁能把智能体真正放入真实工作流。
值得关注的变量有三。其一，内部实例的运行规模和任务成功率均未披露，公开的只有研究原型、一个GitHub仓库和一组基于合成负载的实验数据，实际效果尚待确认。其二，原型目前主要面向一个GitHub仓库，能否扩展到更多场景是检验其通用性的关键。其三，异步ReActLoop尚未默认开启，主动介入的边界和误触发风险仍需观察。DeepSeek将自身产品定义为“使人类从具体执行细节上移到更高层决策与验收”，这是公司对产品的定义而非对行业的判断，能否成立取决于后续真实场景的验证。
暂无评论。