DeepSeek发布Super-agent架构，Router与Worker双层设计实现AI自主协作

DeepSeek Harness 团队近日发布技术文章《Super-agent 设计探索：迈向更自主的 Agent 系统》，正式公开其在 AI Agent 架构层面的深度实践。不同于当前主流以单次会话（Session）为单位的 Agent 设计，Super-agent 旨在构建一个持续在线、能跨平台协同、主动响应环境变化的长期运行实体——其核心目标是将人类从繁杂的任务调度中解放出来，转而聚焦于目标设定与结果验收。

这一架构并非理论空想，而是已落地于 DeepSeek 内部研发流程。当工程师在 IM 群聊中提及某功能异常时，Super-agent 无需被主动@，即可静默监听、识别潜在缺陷，在后台完成问题复现、方案生成，并直接向 GitHub 提交 Pull Request。更关键的是，同一任务可在群聊讨论与代码评审之间无缝延续：开发者先在 IM 中敲定修复方向，随后在 PR 评论中追加补充要求，Agent 能理解上下文演变并动态调整执行路径。

瓶颈转移：从模型能力到人类注意力

过去一年，Coding Agent 已能独立阅读代码、定位 Bug、运行测试甚至编写模块，但随之暴露的新瓶颈是——人的注意力增长远滞后于 AI 的并发处理能力。DeepSeek 团队观察指出，个体通常仅能同时跟进 3 至 5 个活跃 Session；即便通过 CLI 或 MCP 接入多平台，仍难避免串行阻塞、上下文割裂及设备离线导致任务中断等问题。

为此，Super-agent 被定义为具备四项基础能力的系统：

这标志着 Agent 范式正从“被动响应工具”转向“自主协作者”。正如团队所言：“Session 应逐渐成为系统内部的技术细节，而非用户需手动管理的界面单元。”

双层架构：Router 统筹，Worker 执行

为实现上述能力，DeepSeek 设计了由 Router 与 Worker 构成的双层架构，形如一个虚拟 AI 团队：Router 作为轻量级全局协调节点，负责接收多源输入、维护跨任务上下文、分派任务；Worker 则在隔离会话中并发执行具体工作，如问题复现、代码审查或功能开发，必要时还可调用 Subagent。

Worker 不直接回复用户，而是将关键状态与结果汇总至 Router，由后者统一对外沟通。对用户而言，始终面对的是单一助手；对系统而言，背后可能已有多个 Agent 同步运作。

为降低协调开销，系统引入订阅机制：一旦 Worker 接管某 GitHub PR，后续相关评论与状态变更将直接推送至该 Worker，无需反复经由 Router 分配。这种设计使 Router 可采用较小模型承担路由职责，而复杂任务则交由大模型驱动的 Worker 处理。

事件驱动与上下文管理机制

Super-agent 的主动性依赖于一套精细的事件过滤与响应流程。外部信息（Trigger）包括群聊消息、邮件、日程提醒、CI 结果等，首先由程序规则快速筛除无关内容，再交由大模型判断是否值得介入。例如，当用户在 macOS 桌面误触关闭窗口导致 Electron 应用白屏，Super-agent 可识别该行为模式，自动复现并提交修复 PR。

为支撑长期运行中的上下文一致性，DeepSeek 提出两项关键技术：

• Inline & Spill：将高频、近期可能调用的信息直接放入模型上下文窗口；低频或超长内容则保留在外部存储，按需召回；
• 链式召回（Chain of Recall）：通过 Trigger ID、Thread ID 与 Worker Session ID 之间的引用关系，让模型沿关联路径逐步追溯历史任务信息，实现跨会话记忆连贯。

此外，系统还集成 Watchdog 模块，负责外部监控与自我诊断，确保长期运行稳定性。

实际应用与开源进展

目前，Super-agent 尚非 DeepSeek 对外发布的独立产品，而是一套面向工程实践的架构探索。部分设计已通过开源原型实现，供社区参考验证。其内部实例已在研发协作中常态化使用，典型场景包括：

• 自动响应 IM 中隐含的 Bug 描述，生成可复现步骤；
• 在 PR 评论更新后动态修正代码逻辑；
• 同一任务在 IM 讨论与 GitHub 评审间保持语义连贯；
• 基于 CI 失败日志主动补充缺失的单元测试。

值得注意的是，该架构强调“面向人的交互”——所有复杂调度对用户透明，交互界面仍保持简洁。用户只需表达意图或确认结果，其余均由系统闭环处理。

行业意义与后续演进

Super-agent 的提出，反映出 AI Agent 发展进入新阶段：当单任务自动化趋于成熟，系统级协同能力成为关键突破口。相较传统 Agent 依赖人工启动与监控，Super-agent 更接近“数字员工”形态——它不等待指令，而是持续感知环境、评估优先级、分配资源并执行闭环。

这一思路与业界趋势高度契合。例如，ThinkingAI 近期发布的 Agentic Engine 亦强调跨岗位协同与闭环验证，但侧重数据分析与增长实验；而 DeepSeek 的 Super-agent 则聚焦软件工程场景，突出代码级自主执行与跨平台状态同步。

未来挑战仍存：如何平衡主动性与隐私边界？如何防止过度干预引发误操作？如何在多 Agent 协同中避免“幻觉共识”？这些问题尚待实践检验。但可以确定的是，AI 协作范式的升级，正从“人指挥 AI”迈向“AI 协同自治”，而 DeepSeek 此次架构披露，为该路径提供了首个完整可行的技术蓝本。