DeepSeek发布Super-agent架构：迈向连续、高效、主动、持久的自主智能体系统
SmartHey11月1日消息，DeepSeek Harness 官方团队发布《Super-agent 设计探索：迈向更自主的 Agent 系统》一文，系统阐述其面向工程落地的 Super-agent 架构设计理念与实践路径。
随着大语言模型在单任务执行中日益摆脱人工干预，制约生产力跃升的关键瓶颈正从算力转向人类注意力资源。Agent 系统亟需突破“被动响应指令”的范式，进化为持续在线、可并行处理多任务、具备环境感知与自主决策能力的智能协作者。
DeepSeek 指出，当前主流 Agent 设计仍以孤立的 Session（会话）为基本单元，各 Session 间缺乏上下文连贯性。当用户并行推进多项工作时，不得不手动切换、重建和维护多个会话状态，显著增加认知负担。
团队观察发现，人类通常仅能有效同步跟进 3 至 5 个活跃会话。即便借助 CLI、MCP 或外部连接器扩展本地 Agent 能力，仍普遍面临单会话同步阻塞、多任务上下文混淆，以及设备离线导致任务中断等现实问题。
为此，DeepSeek 提出“Super-agent”这一新型智能体形态，并凝练出四大核心特征：连续（Continuity）、高效（Efficiency）、主动（Proactivity）与持久（Persistence）。
其中，连续性体现为跨渠道统一身份——用户可在即时通讯、GitHub 评论、邮件等不同入口与同一 Agent 无缝交互；高效性指支持复杂任务的并发执行与资源调度；主动性强调系统能持续监听环境信号（如日程提醒、CI 结果、代码评审），自主识别并推进高价值事项；持久性则要求 Agent 全天候在线运行，并具备异常自愈与状态恢复能力。
该架构整体由五大模块构成：双层架构、事件驱动机制、面向人的交互设计、计算与状态/环境解耦、以及独立 Watchdog 监控回路。
双层架构将系统划分为 Router 层与 Worker 层：Router 作为中枢，负责承接用户输入、维护全局上下文、任务分派与统一响应；Worker 则在相互隔离的沙箱会话中并发执行具体任务。Worker 不直接输出结果，而是将中间状态与最终产出上报 Router，由后者整合后对外反馈，确保交互一致性与可控性。
在事件驱动方面，群聊消息、邮件通知、PR 评论、CI 测试报告等外部信号被定义为 Trigger（触发事件）。系统先通过轻量规则引擎完成初步过滤，再交由大模型判断是否需启动响应流程。
对于已分配任务的事件流，Worker 可订阅对应 Thread（会话线程），后续相关事件将直通 Worker 处理，无需重复经由 Router 路由，从而显著降低中枢负载与延迟。
文章还介绍了两项关键信息管理机制：Inline & Spill（内联与溢出）与链式召回（Chain of Recall）。前者动态优化上下文窗口——高频/近期所需信息直接注入模型上下文，低频或超长内容则保留在外部存储，按需加载；后者则利用 Trigger、Thread 和 Worker Session 间的结构化引用关系，支持模型沿 ID 链路逐层回溯历史任务脉络，实现长周期记忆检索。
为缩短用户等待时间，Super-agent 引入投机执行（Speculative Execution）机制：系统可基于环境信号提前开展前置工作。例如，收到会议邀请后自动检查日程冲突、聚合背景资料、生成回复草稿；在研发协作中，甚至可在群聊讨论故障时同步复现问题、搜索修复方案，仅当确认问题存在且有简易解法后才向用户交付结果。
人机交互层面，文章提出异步 ReAct Loop 设计：将耗时工具调用抽象为 start() 与 stop() 两个异步接口。Agent 启动后台任务后立即返回 Started 状态，前台对话可继续接收用户新指令；任务结果完成后作为独立事件重新进入会话流。目前该机制已在 DeepSeek Harness 中实现，但暂未默认启用。
针对长期稳定运行需求，Super-agent 将计算逻辑、会话状态与执行环境三者彻底解耦：状态与核心计算托管于云端，执行环境则可部署于用户本地设备（仅需轻量 daemon 执行命令并回传结果），亦可灵活接入云端托管实例或按需创建的计算资源。该设计原生支持 BYOM（Bring Your Own Machine）模式，便于开发者复用日常开发机或个人电脑构建专属智能体。
此外，系统引入独立的 Watchdog Session，构建外部闭环监控体系。Watchdog 不仅监测接口错误、恢复失败等基础设施异常，更通过模型评估 Worker 是否取得实质性进展、执行路径是否偏离目标，并在检测到偏差时主动介入干预与修复。
DeepSeek 团队开展了初步对比实验，涵盖 Super-agent、关闭事件直通机制的 Super-agent，以及两种提示词配置下的单 Session + Subagent 方案。
每轮实验包含约 300 条消息（含约 20 条工作请求），每种方案重复运行 5 次。结果显示：Super-agent 的任务完成时间 p50/p95 分别为 12.4 分钟与 15.7 分钟；而中性提示下的单 Session 方案 p95 达 29.5 分钟，性能差距显著。
团队强调，上述实验基于合成负载与简化环境，主要验证系统级调度效率与多任务协同能力，不反映单任务本身的执行精度或模型能力边界。
在 Router 层压力测试中，当 Trigger 到达速率从每分钟约 1 条提升至约 40 条时，平均批处理大小从 1.0 增至 2.8，单次请求耗时由 2.5 秒升至 3.9 秒，但单个决策所摊销的推理时间反而从 6.4 秒降至 1.6 秒。这表明 Router 具备良好的事件积压合并能力，可在突发流量下提升单位时间内的有效吞吐。
文章同时坦诚指出当前架构尚存多项待解挑战，包括：Router 层的水平扩展机制、跨月级长程记忆建模、脱离 Session 的新型人机协作范式、Agent 实例间的 A2A（Agent-to-Agent）通信协议，以及安全与隐私保障体系——尤其在云端 Agent 接入本地设备场景下，提示词注入攻击、端侧密钥泄露及跨设备权限越界等风险亟需系统性防护方案。
据悉，基于该架构构建的内部 Super-agent 实例已在 DeepSeek Harness 团队中持续运行，实际参与问题复现与修复、GitHub 代码审查响应，以及 DeepSeek Harness 自身的产品迭代闭环。
此外，团队开源了名为 dsh-superagent-prototype 的原型插件，明确说明其定位为技术可行性验证工具，非 DeepSeek 官方正式产品，亦不提供生产级支持。