DeepSeek 重磅发布全新 Agent 架构：AI 开始指挥 AI 干活
当程序员还在群聊里讨论 Bug 怎么修时，AI 可能已经默默完成了问题复现，甚至把修复代码提交到了 GitHub。
就在刚刚，DeepSeek Harness 团队发表技术文章《Super-agent 设计探索：迈向更自主的 Agent 系统》，详细介绍了他们正在探索的 Super-agent 架构。
按照 DeepSeek 的设想，未来的 AI Agent 将不再局限于单个聊天窗口，而是能够持续在线、同时处理多项任务，并根据外部环境变化主动采取行动。
更值得关注的是，DeepSeek 已经基于 DeepSeek Harness 构建了一套内部 Super-agent 实例，并将其用于日常研发协作。
例如，当团队成员在群聊中反馈软件问题时，即使没有人主动 @ AI，它也能识别潜在缺陷，在后台尝试复现问题、寻找修复方案，甚至直接提交 GitHub Pull Request，等待开发人员审查。
同一项开发任务还能在群聊和 GitHub 之间连续推进。开发者先在群聊中确定方案，随后又在 GitHub 评论中修改要求，Agent 能够理解前后变化，并调整执行方向。
不过，Super-agent 目前仍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，尚非 DeepSeek 正式推出的独立产品。
AI Agent 的下一个瓶颈，可能是人类自己
过去一年，以 Coding Agent 为代表的 AI 工具已经能够独立阅读代码、定位 Bug、运行测试，甚至完成复杂的软件开发任务。
然而，随着模型能力越来越强，另一个问题也开始显现。
AI 能够同时完成的任务越来越多，人类管理这些任务的注意力却没有同步增长。
目前，大多数 Agent 仍以 Session，也就是会话为基本工作单位。用户需要在不同窗口之间反复切换，记住各个任务的上下文，并持续跟踪执行进度。
DeepSeek 团队提到，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。
即使通过 CLI、MCP 等工具让 Agent 接入更多平台，仍然难以解决单会话串行执行、多任务上下文混乱，以及本地设备离线后任务中断等问题。
为此，DeepSeek 提出了 Super-agent，希望让 Agent 从单次会话中解放出来，成为一个能够长期运行、跨平台保持上下文、并行推进任务的连续实体。
按照文章中的定义，Super-agent 需要具备四项能力，包括跨会话的连续交互、多任务高效并行、主动响应环境事件，以及长期在线和异常恢复。
换句话说，人类可以更多地负责确定目标和验收结果，具体的任务调度与执行过程则交给 AI 管理。
一个 AI 当主管，多个 AI 同时干活
为了实现这一目标，DeepSeek 设计了一套由 Router 和 Worker 组成的双层架构。
可以将其理解为一个由 AI 组成的虚拟团队，Router 负责统筹协调，Worker 负责具体执行。
Router 是持续运行的全局协调节点，统一接收来自群聊、GitHub、邮件等不同平台的信息，判断任务应该如何分配，并维护跨任务上下文。
真正执行任务的则是 Worker。每个 Worker 拥有独立的上下文和工具能力，可以分别负责问题复现、代码审查、功能开发等任务，必要时还能继续调用 Subagent。
任务完成后，Worker 将关键结果汇报给 Router，再由后者统一与用户沟通。
对于用户而言，面对的始终是同一个 AI 助手；对于系统而言，背后可能已经有多个独立 Agent 同时工作。
为了减少协调开销，DeepSeek 还引入订阅机制。当某个 Worker 接手 GitHub Pull Request 后，后续评论和状态变化可以直接发送给它，无须每次经过 Router 重新分配。
Router 主要负责信息理解和任务分派，因此相对轻量的模型也可能胜任，能力更强的模型则用于复杂任务执行。
DeepSeek 认为，传统 Agent 让用户手动管理 Session，很大程度上延续了底层大模型 API 的设计习惯。随着 Agent 能力提升，Session 应该逐渐成为系统内部的技术细节。
没人 @ 它，AI 也能主动修 Bug
相比多任务并行，Super-agent 更值得关注的能力，是主动寻找值得处理的事情。
传统 AI 助手通常需要用户先提出问题，再调用工具完成任务。DeepSeek 希望改变这种工作方式，让 Agent 直接根据外部环境中的事件采取行动。
群聊消息、邮件、日程提醒、GitHub 评论以及 CI 测试结果，都可以成为触发 Agent 行动的事件，技术上称为 Trigger。
考虑到绝大多数群聊消息并不需要 AI 介入，DeepSeek 设计了两级过滤机制，由程序规则快速排除无关消息，再交给大模型结合上下文判断是否需要行动。
更进一步，DeepSeek 还引入了计算机系统中的投机执行思想。
所谓投机执行，就是在尚未确定结果是否会被采用时，提前利用后台算力进行尝试，有价值的结果再提交给用户，没有价值则直接放弃。
例如，DeepSeek 在内部用户群中配置了一项「静默复现并修复」策略。
当有人反馈 Bug 或讨论修改方案时，Super-agent 可以提前在后台复现问题、分析原因，并寻找修复方案。
只有确认问题存在，并找到相对简单的修复方法后，AI 才会把结果提交给开发人员，否则全程保持安静。
DeepSeek 展示的案例中，团队成员还在群聊里讨论解决方案，Super-agent 就已经在后台提交了修复 Pull Request。
类似机制也可以应用于个人助手，例如收到会议邀请后，AI 可以提前核对日程、搜集背景资料，并准备邮件回复草稿，等待用户确认。
电脑关机，AI 也能继续工作
除了主动性，DeepSeek 还尝试解决传统 Agent 的响应阻塞和设备依赖问题。
在常见的 ReAct Loop 中，模型发起耗时工具调用后，需要等待结果返回，期间可能无法及时响应新的指令。
DeepSeek 因此设计了异步 ReAct Loop，让耗时任务转入后台执行，前台会话继续接收用户消息，任务完成后再将结果发送回来。
AI 可以一边执行复杂任务，一边接受新指令，用户还能在执行过程中要求它改变方向或终止任务。
该机制已经在 DeepSeek Harness 中实现，但尚未默认开启。
与此同时，DeepSeek 借鉴存算分离的思路，将 Agent 的执行循环放在云端，将会话状态保存到数据库，而代码仓库、文件和工具链等工作环境仍然可以留在用户设备上。
本地只需部署一个轻量级 daemon，负责接收云端命令并返回结果。即使电脑暂时离线，相关任务也可以在设备重新上线后继续执行。
此外，DeepSeek 还引入独立的 Watchdog 机制，相当于给 Agent 安排了一个 AI 监督员，负责检查任务是否取得进展、是否陷入无效循环，并在发现异常时尝试修复。
实测效率提升，但也更费 Token
为了验证新架构，DeepSeek 团队进行了一组初步实验。
实验模拟群聊和 GitHub CI 消息流，单次包含约 300 条消息，其中约 20 条是真正的工作请求。研究人员将 Super-agent 与传统单 Session 加 Subagent 的方案进行对比，每种方案重复运行五次。
结果显示， Super-agent 的任务完成时间 p50 为 12.4 分钟，p95 为 15.7 分钟；采用中性提示词的传统单 Session 方案，p95 则达到 29.5 分钟。
差异主要来自任务调度。传统方案虽然支持 Subagent，但模型是否真正分派任务，仍取决于提示词和临场判断。
在中性提示配置下，五次实验中模型一次都没有调用 Subagent，所有任务都在主会话中执行，不断受到新消息干扰。
Super-agent 则通过双层架构，让 Router 专注任务分派，Worker 独立执行，减少了这种不确定性。
不过，效率提升也有代价。由于需要维护多个独立会话，Super-agent 消耗的缓存读取 Token 高于单 Session。
取消事件直通机制后，Router 需要做出的决定增加约 30%，总缓存读取量从 2323 万增加至 3177 万 Token，增幅约 37%。
另外，当事件到达速率从每分钟约 1 条升至 40 条时，Router 可以通过批量处理提高吞吐量，单次请求耗时仅从 2.5 秒增加至 3.9 秒。
需要注意的是，实验使用合成消息和模拟耗时工具，主要验证任务调度与协作能力，并未直接评估真实编码质量。
DeepSeek 想让 AI 成为真正的数字同事
尽管 DeepSeek 已经在内部运行 Super-agent，但距离大规模应用仍有不少挑战。
首先是长期记忆。当任务积累到数周甚至数月后，如何准确恢复历史上下文，仍然是一个难题。
其次是安全与隐私。由于 Super-agent 会持续接收外部消息，并通过云端访问本地设备，一旦遭遇提示词注入或服务端入侵，就可能威胁代码仓库、敏感数据和本地凭据。
此外，当 Agent 能够同时推进大量任务时，用户应该如何查看进度、介入执行，以及决定哪些操作必须人工批准，也需要重新设计。
目前，DeepSeek 已将部分设计实现为 dsh-superagent-prototype 原型插件，相关架构仍在持续探索。
值得注意的是，DeepSeek 团队在文章结尾坦言，他们并没有提出全新的理论，而是将任务调度、缓存管理、事件驱动、存算分离等经典计算机系统思想应用到了 Agent 架构中。
但随着模型完成单个任务越来越少需要人工干预，人类能够同时管理多少个 AI，正在成为新的问题。
过去，我们需要不断向 AI 发送指令，告诉它下一步做什么。按照 Super-agent 的设想，未来人类可以更多地负责确定目标、做出决策和验收成果，让 AI 自己发现问题、协调任务并完成执行。
或许未来真正成熟的 AI 助手，不会一直待在聊天窗口里等待提问，而是像一位能够长期参与工作的数字同事，在你没有主动找它的时候，也知道自己应该做些什么。
#欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。
Les actualités sont collectées automatiquement depuis des flux publics robotique & IA.
Articles liés
AI 基建掀起军备竞赛：微软、谷歌、甲骨文等巨头承诺投入超 3 万亿美元
IT之家 10 月 31 日消息，据彭博社今天（31 日）凌晨报道，AI 基础设施建设仍将吸引巨额资金。Alphabet、Meta、微软、亚马逊和甲骨文五大科技巨头承诺，未来数年将在数据中心等领域投入超过 3 万亿美元 （IT之家注：现汇率约合 20.01 万亿元人民币） 。 随着数据中心建设竞赛愈演愈烈，五家公司披露的租赁、建筑、能源及设备采购承诺大幅增长。这些资金有的将在短期内支出，有的则涉及 未来数十年的长期合同 。 谷歌的支出承诺规模最大。根据 Alphabet 提交的监管文件，包括技术设备、能源和租赁在内的合同承诺总额 超过 1 万亿美元 （现汇率约合 6.67 万亿元人民币） ，
马斯克公布 Neuralink 脑机新产品进展：第二款产品“盲视”只待监管批准
IT之家 10 月 31 日消息，马斯克透露，Neuralink 第二款脑机接口设备 Blindsight（盲视）已完成工程研发，接下来只待监管部门放行。这款设备旨在帮助失明者以及从出生起就没有视觉的人 获得视觉能力 。不过，迄今尚无公开披露并得到确认的人体植入试验结果。 马斯克 30 日在 X 上发文称：“从工程研发的角度来说，设备已经准备就绪， 只等监管部门批准 。” 与 Neuralink 此前推出的首款植入设备不同，“盲视”并不是读取大脑活动并将信号传输出去，而是 反过来向大脑输入信息 。设备将摄像头获取的画面转换为信号，传递到大脑视觉皮层， 试图绕过已经受损的眼睛和视神经，让使用者获
小鹏集团总裁王凤英：2027 年起，部分城市将设立 MONA 独立门店
IT之家 10 月 31 日消息，据界面新闻 10 月 30 日报道，小鹏集团总裁王凤英在 2026 巴黎车展期间表示，从 2027 年开始，部分城市将设立 MONA 的独立门店。她还提到，未来“ 不排除 MONA 品牌独立的可能性 ”。 报道提到，一线渠道端已经出现动作。北京一家小鹏汽车门店销售人员对界面新闻表示，“小鹏和 MONA 应该会分开销售，MONA 会有独立门店。新出行 CEO 贺磊称，广州市海珠区一家商场已出现待入驻的“小鹏 MONA 销售中心”。 此外，小鹏内部的产品策略也在调整。小鹏近期将 F、D、I、G 四条产品线合并为 G、D 两条产品线，I、F 并入 G 产品线， MO
OPPO Reno17 系列官方爆料：首发 6 秒“全焦段 4K 超清长实况”
IT之家 10 月 31 日消息，今日，OPPO Reno 系列产品经理张若星分享 Reno17 系列全新样张，并预告新机将搭载“全焦段 4K 超清长实况”，首次将实况时长由原先 3 秒延长至 6 秒。 IT之家注意到，OPPO Reno17 系列手机、Watch 5 手表、Pad Air6 平板于 10 月 30 日开启预约 ，预计将于近期上市。此外，博主 @数码闲聊站 已爆料了 OPPO Reno17 Pro 的部分核心配置： 6.32 英寸 1.5K 分辨率、120Hz 刷新率直屏 联发科天玑 8550 SUPER 处理器 前置摄像头 5000 万像素 后置 2 亿像素大底云台主摄、50
鸿海董事长刘扬伟：预计未来数年攻下全球 AI 服务器半壁江山
IT之家 10 月 31 日消息，当地时间 30 日。据美国 CNBC 报道，鸿海计划进一步扩大 AI 服务器业务，并加大在美国的生产布局。董事长刘扬伟表示，AI 基础设施市场需求依然强劲，集团希望借此进一步提高市场份额。 刘扬伟在接受采访时透露，公司目前占据全球约 40% 的 AI 服务器市场份额，预计明年有望提高至约 45%，未来数年则 有机会达到 50% 。 长期以来，鸿海以代工组装苹果 iPhone 闻名。近年来，AI 基础设施业务逐渐成为集团的重要增长引擎。 ▲ 图源鸿海 刘扬伟预计，未来三至五年，AI 基础设施业务将 贡献富士康 60% 至 65% 的营收 ，不包括直接在本地硬件上
国铁集团：2026 年前三季度营收 9143 亿元，净利润盈利 130 亿元
IT之家 10 月 31 日消息，10 月 30 日，国铁集团披露了 2026 年前三季度财务决算。前三季度，国铁集团实现营业总收入 9143 亿元，净利润盈利 130 亿元，多项运输指标创历史同期新高。 国铁集团提到，前三季度，全国铁路累计发送旅客 37.1 亿人次、同比增长 4.8%，创历史同期新高，其中 5 月 1 日发送旅客 2484.4 万人次， 创单日旅客发送量历史新高 。 国铁集团推出系列便民利民惠民举措，在京沪高铁、京沪铁路开展火车票预约购票试点服务，常态化运行学生旅客预约购票服务，淡季周中时段给予老年旅客“折上折”票价优惠，铁路常旅客会员服务新增教师积分优惠措施， “静音车厢