DeepSeek 这次没有发新模型。10 月 31 日，团队公开的是一篇工程架构分享——《Super-agent：迈向更自主的 Agent 系统》，同时放出了可运行的原型代码。核心命题很直接：模型处理单项任务的能力已经够强了，现在卡住效率的不是模型，而是人的注意力。
这个判断值得认真看。过去一年行业在比上下文长度、比基准测试分数，但真正天天用 Agent 干活的人都知道，瓶颈早就不在单次对话里，而在「你一个人能同时推进几个任务」。
瓶颈不是模型，是一个人只能盯 3 到 5 个会话
DeepSeek 团队描述的日常场景几乎人人都熟悉：先在 IM 群里讨论技术方案，再去 GitHub 提 PR，然后根据 PR 评论改实现。对传统编程 Agent 来说，这三步散落在不同会话里，用户得自己记住每个会话进行到哪一步，再手动把上下文重新交代一遍。
他们给出的观察是：一个人通常只能同时跟进 3 到 5 个活跃会话。模型越强，这个人类瓶颈越明显——Agent 能干的活变多了，但你调度不过来。
双层架构：Router 当调度员，Worker 具体干活
Super-agent 的架构分成上下两层。上层 Router 是总调度员，负责接收消息、分配任务、维护全局上下文；下层 Worker 是一组负责具体执行的 Agent 会话，多个任务可以同时推进、互不干扰。
关键设计在「订阅与直通」机制：某个 Worker 接手一条 GitHub PR 后，可以直接订阅后续评论。之后有人提修改意见，消息直接给到这个 Worker 处理，不需要再经过 Router 层层转发。老任务有人持续跟进，新任务也能及时分配。
这套设计有量化收益。DeepSeek 实测发现，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%。也就是说，合理的事件路由不只是架构好看，直接省的是 Token 账单。
四个关键词：连续、高效、主动、持久
- 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，耗时任务不阻塞新的交互
- initiative：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，遇到异常能尝试自动恢复
「主动」这一条最反直觉，靠的是投机执行（Speculative Execution）：AI 发现某件事可能需要处理时，提前在后台试。群里有人讨论一个 Bug，它先着手复现、查原因，找到简单可行的修复方案就把结果交给用户；没找到有效结果就保持安静，不打扰人。同样的思路可以用在个人助手上——收到会议邀约后，先查日程冲突、整理相关资料、准备好回复草稿，等你确认。
实测：P95 任务耗时从 29.5 分钟压到 15.7 分钟
DeepSeek 做了一组初步实验：模拟约 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。
| plan | 中位耗时 | P95 耗时 | 说明 |
|---|---|---|---|
| Super-agent | 12.4 分钟 | 15.7 分钟 | Router + Worker 双层调度 |
| 传统单 Session | — | 29.5 分钟 | 中性提示下测得 |
P95 几乎砍半，这个数字比中位数更有意义——它反映的是「最差的那批任务有多慢」，也就是人真正会不爽的那部分体验。当然这是模拟环境，真实 IM 群和 GitHub 的噪声只会更大。
24 小时在线的三个工程手段
- 两级事件过滤：先用程序规则筛掉无关消息，再由大模型判断剩余事件是否需要行动，减少无谓的 Token 消耗
- 异步 ReAct Loop：执行耗时任务时仍能响应新指令。该机制已在 DeepSeek Harness 中实现，但尚未默认开启
- 算力与状态分离 + Watchdog：计算逻辑在云端跑，会话状态独立保存，本地保留工作环境；另有一个专门监督其他 Agent 的看门狗，能判断任务是否陷入无效循环、偏离目标，并尝试介入修复
What this means for developers
第一，这次给的是原型代码而不是白皮书，能直接拉下来跑，比看架构图有用得多。第二，Router/Worker 分离、事件订阅这套思路可以迁移到自己的 Agent 系统里，不绑定 DeepSeek 的模型。第三，要清醒看待成本：并行、投机、看门狗全都是要烧 Token 的，省下来的调度开销可能被探测性执行吃掉一部分。
顺带说一句，这条路线跟国内其他开源 Agent 基建的方向不完全一样。此前 DeepSeek 已经开源过 DSec 弹性计算，解决的是训练沙盒；这次解决的是「一个用户如何并行指挥多个 Agent」。两件事叠起来，才像一个能长期跑的 Agent 系统。
另外要注意，Agent 越自主，安全边界问题越靠前。Super-agent 会主动订阅群消息、主动读 GitHub 评论、主动在后台尝试修复——权限范围一旦给大，出错的影响面也跟着放大。可参考 开源模型的 Agent 安全边界 和现有 Personal Agent Protocol 的做法：先定权限与确认环节，再谈自主性。
Frequently Asked Questions (FAQ)
DeepSeek Super-agent 是什么？
它是 DeepSeek 公开的一套 Personal Agent 参考架构，核心是 Router 负责接收消息与分配任务、Worker 负责并行执行，配合事件订阅、投机执行和独立看门狗，目标是让 Agent 跨会话、跨平台长时间自主工作，而不是一问一答。
Super-agent 是新的 AI 模型吗？
不是。这是一篇工程架构探讨加原型代码，不含新模型权重。文中实测用的是 DeepSeek 现有模型，架构本身不限定模型，理论上可以接其他开源模型。
普通开发者现在能用上吗？
能跑原型，但不是开箱即用的产品。代码在 GitHub 的 dsh-superagent-prototype 仓库，需要自己配 IM、GitHub 等接入和运行环境。想省事的可以等 DeepSeek Harness 把异步 ReAct Loop 默认打开，或者先参考 Particle-1 这类省 Token 的编程 Agent 方案。
it and Claude Code 的 Subagent 有什么区别？
Claude Code 的 Subagent 主要解决「单个任务内部分工」，父会话派活、子会话执行、结果回传；Super-agent 解决的是「跨任务、跨平台的长期驻留」——多个任务在同一个 Agent 身份下并行推进，状态持久化，还能主动发现该做的事。前者省上下文，后者省你的注意力。
跑这种常驻 Agent 架构贵吗？
比单会话贵，但比想象中可控。两级事件过滤就是为了压住成本；反过来看，取消直通机制会让 Router 决策次数涨 30%、缓存 Token 涨 37%，说明路由做得好能直接省钱。真正的开销在投机执行——提前试错的那部分算力是沉没成本。
总结：Agent 的竞争重心变了
从「谁能完成一个复杂任务」到「谁能同时替你推进二十个任务」，这是 Agent 军备竞赛的下一个分水岭。DeepSeek 这次的价值不在于给出标准答案，而在于把工程细节和实测数据都摆出来了，包括那些不好看的 Token 开销。
Want to Discover More Useful AI Tools? Explore Our AI Model Library and Tool Comparison Engineor continue reading:DeepSeek V4 Pro In-Depth Evaluation · In-Depth Review of Kimi K3.1 Pro · GLM 5.3 in-depth review · 1Password for Agents.