DeepSeek 开源 Super-agent 架构思路：Router 与 Worker 双层设计

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">

2026-10-31 21:49:44 来源：量子位

AI已经自己找到Bug并提交PR

梦瑶发自凹非寺

量子位 | 公众号 QbitAI

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