DeepSeekSuper-agent架构解析，从会话式临时工到常驻调度系统

企业智能体落地正面临一个关键瓶颈：当 RAG 知识库与对话式 Agent 联合部署后，初期体验虽佳，但三个月内普遍陷入‘会话孤岛’‘单线程阻塞’‘重复检索高成本’与‘被动响应无主动性’的困境。这一问题并非源于模型能力不足，而是当前主流 Agent 架构仍以‘单会话解释执行’为默认范式——会话临时、执行同步、知识随用随取，任务结束即归零。

DeepSeek Harness 团队于2024年10月底开源的 Super-agent 架构，正是针对上述结构性缺陷提出的系统性解法。它并非一款开箱即用的产品或新训练的大模型，而是一套面向企业级智能体的架构方法论，核心思想可凝练为四个字：常驻调度。

传统 Agent 的四大症结

一线业务反馈集中指向四类共性问题：

第一，会话孤岛，上下文断裂。员工在飞书群讨论的方案、在工单系统提交的参数确认，彼此无法互通。同一问题在不同入口反复提问，系统给出的答案却可能新旧混杂，缺乏一致性。

第二，单线程执行，调度依赖人工。一个故障排查任务启动后，新咨询只能排队；为并行推进 Bug 修复、文档更新与工单回复，运营人员不得不手动开启多个 Agent 会话，自行承担项目协调角色。行业观察显示，单人有效管理的活跃会话上限通常仅为 3–5 个。

第三，知识重复检索，算力浪费显著。高频问题被多人多次询问时，系统每次都完整执行「文档切片→向量检索→上下文拼装→生成答案」链路。知识未被结构化沉淀，每次查询都从零开始，Token 成本高且结果稳定性差。

第四，始终被动响应，缺乏主动行为能力。现有系统仅在收到显式提问时触发工作流，对工单积压、群聊高频疑问、文档参数冲突等异常信号无感知、不跟进、不沉淀。

这些问题的根源，在于将“会话”作为用户交互与系统执行的基本单元。这种设计天然排斥长期记忆、任务协同与流程嵌入，难以融入真实生产环境。

范式转移：从临时工到常驻主管

Super-agent 的突破在于重构了执行主体：不再以“用户发起的一次会话”为单位，而是构建一个持续在线的调度中枢（Router），负责全局上下文维护、任务拆解分派与进度追踪。其运作逻辑类似企业中的部门主管——始终在岗、记得历史、自主调度、统一交付。

具体而言，该架构包含三层核心组件：

Router（常驻调度层）：接收用户指令后，解析意图、调用知识库、拆解子任务，并分派给多个 Worker 并行执行；同时维护跨会话、跨平台的全局状态。
Worker（执行单元）：每个 Worker 是一个轻量级 Agent 实例，专注单一子任务（如查制度、写报告、调 API），彼此隔离、互不干扰。
Knowledge Base（结构化知识层）：不仅支持传统 RAG 检索，还引入 schema 定义、实体抽取与 recall strategy，使知识可被主动调用、版本比对与冲突预警。

在官方模拟测试中，面对 300 条消息、20 项并发请求的复杂场景，Super-agent 的任务完成时间 p50 为 12.4 分钟、p95 为 15.7 分钟，显著优于单会话串行模式。

知识库融合：从被动响应到主动治理

Super-agent 对企业知识库的改造尤为关键。传统 RAG 本质是“按需现查”，而 Super-agent 要求知识具备“可寻址、可复用、可演进”三重属性。

其实践路径包括两段配置：左侧定义 Router 行为边界（如事件过滤规则、任务分派策略、自启逻辑），右侧定义 Worker 单元的能力装配（model、knowledge、tools、rules）。例如，一个“FAQ-Worker”可被配置为自动监听群聊关键词，发现高频问题即触发知识校验流程；一个“文档同步 Worker”可在检测到新版本手册发布后，主动比对旧版差异并推送更新提醒。

这种设计使知识库从“藏书楼”转变为“活系统”：知识不再是静态文档集合，而是可被调度、可参与决策、可自我修正的数据资产。当某设备故障被多次提及，系统可自动聚合上下文、生成标准化处置指南，并同步至运维手册与客服知识库，避免重复劳动与信息偏差。

落地适配：哪些企业值得优先尝试？

已有成熟知识沉淀基础：企业已完成制度、手册、工单、FAQ 等结构化或半结构化知识入库，且质量可控；

存在高频、跨角色、多步骤的协同任务：如产品发布流程（市场+研发+客服联动）、客户问题闭环（售前→实施→售后）、合规巡检（法务+风控+IT）；

具备一定工程化能力：能部署与维护调度服务、定义 Worker Schema、监控任务流健康度。

对于知识碎片化严重、业务流程高度非标、或仅需简单问答的企业，继续优化 RAG + Prompt 工程仍是更务实的选择。Super-agent 的优势在于“规模效应”——任务越复杂、并发越多、上下文越长，其调度效率与知识复用收益越显著。

成本与演进方向

从资源角度看，Super-agent 带来了新的权衡：Router 层需持续运行，带来固定计算开销；多 Worker 并行则提升峰值 GPU 需求。但长期看，其减少的重复检索 Token 消耗、人工协调时间与错误修正成本，往往可覆盖新增支出。

未来演进可能集中在三方面：一是与企业现有系统（如 Jira、飞书、ServiceNow）深度集成，实现事件自动捕获；二是引入轻量级记忆压缩机制，降低长期上下文存储成本；三是发展“自治型 Worker”，允许部分任务在无监督下完成知识校验与版本迭代。

目前，该架构仍处于原型验证阶段，尚未形成标准化产品。但其揭示的方向已清晰：企业智能体的下一阶段竞争，将不再聚焦于“能否调用工具”，而在于“能否持续积累、并行调度、主动交付”。当 Agent 从会话式临时工升级为常驻调度系统，AI 才真正具备嵌入核心业务流程的能力。