DeepSeek，又有新动作了！

而且这回，官方直接把 Personal Agent 的底层架构思路公开了。

要知道，此前不少人还在等 DeepSeek 推出传闻中的「dsh dot」，结果这次先等来了一篇面向工程实践的架构思路探讨——

Super-agent：迈向更自主的 Agent 系统。

何意味？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 了。

甚至它还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，甚至实现 24 小时在线运行。

DeepSeek 团队还晒出了初步实测成绩——

在模拟多任务环境中，Super-agent 的任务完成时间中位数为 12.4 分钟，95 分位数为 15.7 分钟，表现优于测试中的传统单会话方案。

AI，真的开始有能力从等待人类逐项分配任务，进一步走向主动发现问题、持续推进工作了。

群里没人 @，AI 已经自己找到 Bug 并提交 PR

在日常软件开发过程中，开发人员经常碰到的一个问题是，我们需要在不同平台之间来回切换！！

比如，先在 IM 群聊里讨论技术方案，随后到 GitHub 提交代码，再根据 PR 评论修改实现。

对于传统 Coding Agent 来说，这些操作往往分散在不同会话里——

用户得自己记住每个会话进行到了哪里，再把相关上下文交代给 AI。

DeepSeek 团队在文章中提到，根据他们的观察，一个人通常只能同时跟进 3 到 5 个活跃 Session。

这就带来了一个问题：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，却越来越容易受到人类注意力的限制。

好巧不巧的是，Super-agent 要解决的，正是这一问题。

在 DeepSeek 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 能够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。

用户面对的始终是同一个 Agent，底层的多个会话则由系统自行管理，而且它开始主动参与工作。

这里还用到了一项技术——投机执行（Speculative Execution）。

就是 AI 发现某件事可能需要处理时，可以提前在后台尝试。

比如群里有人讨论一个 Bug，Super-agent 便先着手复现、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，则可以保持安静，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，等待用户确认。

这也对应着 DeepSeek 为 Super-agent 提出的四个核心特征：

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。

DeepSeek 为此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，则是一组负责具体执行任务的 Agent 会话。

具体来说，上层的 Router 相当于总调度员，负责接收消息、分配任务和维护全局上下文。

下层的 Worker 则负责具体执行，多个任务可以同时推进，互不干扰。

值得注意的是，DeepSeek 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，就能直接订阅后续评论。

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，整个系统就能更高效地运转起来。

24 小时在线、自主恢复，实测任务完成时间更稳定

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——

先通过程序规则筛除无关消息，再由大模型判断剩余事件是否需要采取行动，减少不必要的 Token 消耗。

与此同时，Super-agent 还引入了异步 ReAct Loop。

AI 执行耗时任务时，仍能继续响应新指令，无需等上一项任务完成。该机制已在 DeepSeek Harness 中实现，但尚未默认开启。

至于 24 小时在线，DeepSeek 采用了计算、状态与执行环境分离的思路。

Agent 的计算逻辑可以在云端运行，会话状态独立保存，本地设备则保留原有工作环境，即便电脑暂时离线，云端 Agent 也能维持任务状态，等设备重新上线后继续执行相关工作。

更进一步，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。

DeepSeek 团队还进行了一组初步实验——

他们模拟了包含约 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 任务完成时间中位数：12.4 分钟，95 分位任务完成时间：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。

当然，效率提升也伴随着一定的 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。

GItHub 链接：https://github.com/deepseek-ai/dsh-superagent-prototype

一键三连「点赞」「转发」「小心心」

欢迎在评论区留下你的想法！

—  完  —

点亮星标

科技前沿进展每日见