DeepSeek 公开 Super-agent 架构：让 AI 主动发现 Bug、跨平台跟进任务
DeepSeek 近日公开了 Personal Agent 的底层架构思路，核心是让 AI 不再只等用户逐条下指令，而是能跨会话、跨平台持续跟进同一项工作，主动发现 Bug、提交 PR。团队给出的初步实测显示，模拟多任务环境下任务完成时间中位数为 12.4 分钟，95 分位数为 15.7 分钟，优于传统单会话方案。
从“等人派活”到主动干活
此前不少人还在等 DeepSeek 推出传闻中的“dsh dot”，结果先等来的是一篇面向工程实践的架构文章：Super-agent：迈向更自主的 Agent 系统。
它想解决的问题很具体：AI 可以在没人 @、没人下指令的情况下，自己发现 Bug、定位问题，甚至主动提交修复 PR；也能持续关注工作群消息，跨平台协作、并行处理多个复杂任务，并保持 24 小时在线运行。
对关注 AI 编程的读者来说，这次架构思路的价值不在于又多了个 Agent 概念，而在于它把“让 AI 长时间、跨工具地跟一件事”拆成了可工程化的模块，而不是只比拼单轮代码生成能力。
群聊到 PR，一个 Agent 串起全流程
日常开发中，一个常见痛点是反复切换平台：先在 IM 群聊里讨论技术方案，再到 GitHub 提交代码，随后根据 PR 评论修改实现。传统 Coding Agent 往往把这些操作分散在不同会话里，用户得自己记住每个会话进行到哪一步，再把上下文重新交代给 AI。
DeepSeek 团队提到，根据他们的观察，一个人通常只能同时跟进 3 到 5 个活跃会话。随着模型处理单项任务的能力越来越强，多任务协作的效率反而越来越容易卡在人的注意力上。
Super-agent 要解决的正是这个问题。在团队内部运行的实例中，同一个开发任务可以从 IM 群聊一直延续到 GitHub PR 评审。比如用户先在群里决定采用方案 A，随后又在 GitHub 评论里要求改成方案 B，Super-agent 能理解这两条消息属于同一项工作，并据此调整后续执行方向。
用户面对始终是同一个 Agent，底层的多个会话由系统自行管理。换句话说，用户不需要记住“哪个窗口聊到哪了”，系统会替他把上下文接起来。
投机执行：先干一步，再决定说不说
这里还用到了一个关键技术：投机执行（Speculative Execution）。简单说，就是 AI 判断某件事可能需要处理时，先在后台提前尝试。
比如群里有人讨论一个 Bug，Super-agent 可以先着手复现、查找原因。如果最终找到简单可行的修复方案，就把结果交给用户；如果没有找到有效结果，就保持安静，避免打扰。
同样的思路也能用于个人助手：收到会议邀约后，AI 可以提前检查日程冲突、整理相关资料，并准备好回复草稿，等用户确认。
四个关键词：连续、高效、主动、持久
DeepSeek 为 Super-agent 提出了四个核心特征：
- 连续：跨会话、跨工作平台保持任务上下文，不用反复解释前情。
- 高效：多个复杂任务并行执行，耗时任务不会阻塞新的交互。
- 主动：持续观察环境变化，在有必要时自行采取行动。
- 持久：长期在线运行，遇到异常能够尝试自动恢复。
Router + Worker：双层架构怎么分工
为支撑这些特征，DeepSeek 设计了一套双层架构。
上层叫 Router，可以理解为负责接收消息和统筹任务的调度员；下层叫 Worker，是一组负责具体执行任务的 Agent 会话。
具体来说，Router 负责接收消息、分配任务和维护全局上下文；Worker 负责具体执行，多个任务可以同时推进、互不干扰。
值得注意的是，团队还专门设计了订阅与直通机制。举个例子，某个 Worker 接手一条 GitHub PR 后，可以直接订阅后续评论。之后有人提出修改意见，消息会直接交给这个 Worker 处理，无需再经过 Router 层层转发。这样一来，老任务有人持续跟进，新任务也能及时分配，整个系统运转得更高效。
消息过滤与异常恢复仍是工程难点
除了多任务协作，要让 Super-agent 长期自主运行，还得解决消息过滤、任务阻塞和异常恢复等问题。
先说消息过滤。当 Agent 同时接入工作群、GitHub、邮件等平台，大量消息会持续涌入，但真正需要处理的可能只有少数。为此，DeepSeek 设计了两级事件过滤机制——
先做规则过滤，再让模型判断
系统先通过程序规则筛掉无关消息，再把剩下的事件交给大模型判断是否需要采取行动。这样能减少不必要的 Token 消耗。Token 可以理解为模型处理文本的计量单位，直接关系到调用成本。
异步 ReAct Loop：不必等上一件事做完
Super-agent 还引入了异步 ReAct Loop。ReAct Loop 指“推理—行动”交替进行的循环。AI 在执行耗时任务时，仍能继续响应新指令，不需要等上一项任务结束。该机制已在 DeepSeek Harness 中实现，但尚未默认开启。
24 小时在线：把计算、状态和执行环境拆开
为了实现 24 小时在线，DeepSeek 将计算、状态与执行环境分离。Agent 的计算逻辑可以放在云端运行，会话状态独立保存，本地设备则保留原有的工作环境。即使电脑暂时离线，云端 Agent 也能维持任务状态；等设备重新上线后，再继续执行相关工作。
Watchdog：专门监督其他 Agent 的 AI
团队还引入了独立的 Watchdog（看门狗）机制。它相当于一个专门负责监督其他 Agent 的 AI，既能检测程序故障，也能判断任务是否陷入无效循环、偏离目标，并尝试介入修复。
初步实验：中位数 12.4 分钟，95 分位 15.7 分钟
DeepSeek 团队做了一组初步实验：模拟包含约 300 条消息、20 项工作请求的协作环境，对比 Super-agent 与传统“单 Session 加 Subagent”方案，每种配置重复测试 5 次。
结果显示，Super-agent 的任务完成时间中位数为 12.4 分钟，95 分位为 15.7 分钟。传统单 Session 方案在中性提示下，95 分位任务完成时间达到 29.5 分钟。
效率提升也有 Token 成本
效率提升伴随着一定的 Token 开销。DeepSeek 发现，取消事件直通机制后，Router 的决策次数增加约 30%，读取缓存 Token 增加约 37%。这也说明，合理的事件路由能够有效降低系统运行成本。
从单次会话走向长期在线
从这次技术分享来看，DeepSeek 正在探索让 Agent 进一步摆脱单次会话限制，实现持续在线、并行执行、主动响应和异常自愈。当 AI 逐渐能够独立完成复杂任务，如何让它长期、稳定地推进多项工作，也开始成为 Agent 系统需要解决的新问题。
关键要点
- 先由程序规则过滤无关消息，再由大模型判断是否行动，可减少无效 Token 消耗。
- 异步 ReAct Loop 让 Agent 在执行耗时任务时仍能响应新指令，但该机制尚未默认开启。
- 计算、状态与执行环境分离，使云端 Agent 在本地设备离线时仍能维持任务，并在设备上线后继续执行。
- 实验显示 Super-agent 的 95 分位任务完成时间为 15.7 分钟，传统单 Session 方案为 29.5 分钟；同时，取消事件直通会带来约 30% 的 Router 决策次数增长和约 37% 的缓存 Token 增长。