DeepSeek开源Super Agent原型：主动干活且懂得克制

DeepSeek Harness 团队近日发布《Super-agent设计探索：迈向更自主的 Agent 系统》一文，正式提出 Super Agent 架构设计概念，并在 GitHub 上开源了实验原型 dsh-superagent-prototype。

当前主流的 AI 智能体（Agent）大多依托单次会话（Session）运行，任务结束后往往上下文重置，不仅跨平台协作能力有限，还需要用户步步引导。DeepSeek 提出的 Super Agent 则旨在打造一个具备长程记忆、全天候在线且能主动跨平台执行任务的系统级助手。

从“临时工”到“正式员工”：架构拆解

普通 Agent 面对新任务时，通常需要在独立的会话中重新检索背景、梳理逻辑，多个并发任务会导致上下文严重碎片化，最终依然需要人类在各个会话之间充当信息拼接者。一个人同时盯紧三到五个活跃会话，精力便会达到上限。

为解决这一瓶颈，Super Agent 将任务系统拆分为两种核心角色：

1. Router（路由器/主管）：专注监听外部环境、统揽全局背景并进行任务路由，它只负责判定“这项任务应该分发给谁”，而不参与高负载的具体执行。
2. Worker（工作节点/执行者）：各自拥有独立的运行环境与上下文。负责修代码的节点专心调试，撰写报告的节点独立输出，各节点互不干扰，通过订阅同一事件线感知进度冲突。

这种设计与传统的“主 Agent 带子 Agent”不同。传统主从架构中，主 Agent 需要深入每个子任务的高频协调，推理开销沉重；而 Super Agent 的 Router 极度轻量，Worker 之间完全实现上下文隔离。

主动捕获任务：两道筛网与后台异步

Super Agent 的主动性体现在它能将工作环境中的各种异动转化为“触发器（Trigger）”，无需用户特意唤醒。

例如，在群聊中有人提到“某项目存在 Bug”，即使无人 @ 它，系统也会捕捉到该信号并完成全流程闭环：

• 两道筛网过滤：由于工作群内多为无关闲聊，如果每条消息都经由大模型处理，推理成本极高。DeepSeek 设计了第一道静态规则筛网，过滤无关人员与指定来源；剩余消息送入第二道自然语言语义筛网，由大语言模型判断这是普通抱怨还是明确的技术问题。
• 静默排查与跨场景迁移：通过筛选后，Router 将任务交由专属 Worker，在后台独立复现 Bug。若无法复现或改动过大，Agent 保持沉默；若成功定位并修复，则直接向 GitHub 提交 Pull Request。后续开发者在代码平台的讨论，也会直接路由回该 Worker 继续跟进。
• 解耦设计与看门狗机制：为防止长时间运行导致上下文污染或状态丢失，DeepSeek 将大模型“大脑”、任务状态记录以及本地执行环境彻底解耦，并引入 Watchdog（看门狗）机制，持续监控任务进展是否偏离预定路线。

真正的核心竞争力：懂得何时“闭嘴”

在 DeepSeek 的设计理念中，每一次弹窗、通知或确认请求，本质上都是在消耗人类稀缺的注意力成本。一个优秀的 Agent 不应把二十条讨论精简为另外二十条通知让人类审批，而是在后台解决大部分确定性环节，仅在产生明确结果、遇到不可逆操作或缺乏关键权限时寻求人类介入。

与传统互联网产品追求用户停留时长的逻辑相反，Super Agent 试图帮用户直接处理问题，降低用户打开产品的频率。在具体执行上，Super Agent 遵循严格的权限边界：未经显式指令或既定书面规则允许的操作，一律不得擅自向外广播或执行高风险动作。

这一机制与 Anthropic 推出的 Claude Duet 原型逻辑类似，二者均通过后台自动检索与规划，将人类解放出来做最终决策。当然，这种高自主度设计意味着需要运行大量后台任务与多会话路由，其本质是用更多的 Token 消耗换取人类的时间与精力。

目前，DeepSeek 在 GitHub 开源的原型仍处于早期探索阶段，主要适配单一代码仓库并支持接入飞书等办公软件，其完整系统能力仍有待后续迭代。