博客进阶
刚刚，DeepSeek重磅开源：Agent底座架构！
量子位报道 DeepSeek 公开了面向个人 Agent 的底层架构思路「Super-agent：迈向更自主的 Agent 系统」，核心是让 AI 在没有被 @、没有明确指令的情况下自行发现 Bug、定位问题并提交修复 PR。文中描述其内部运行实例可把同一开发任务从 IM 群聊延续到 GitHub PR 评审，并采用投机执行（Speculative Execution）提前在后台尝试任务；给出的初步实测中，模拟多任务环境下任务完成时间中位数为 12.4 分钟、95 分位数为 15.7 分钟。适合关注 Agent 架构与自主编程 Agent 工程实践的人阅读。
- 分级
- 值得看
- 是否付费
- 免费全文公开可读
- 预估学习时长
- 约 7 分钟按全文字数估算
- 收录时间
- 2026-11-04
中文精读
原文约 2,844 词 · 6 节
刚刚，DeepSeek 重磅开源：Agent 底座架构
- 量子位 2026 年 10 月 31 日报道，DeepSeek 此次先公开的是一篇面向工程实践的架构思路探讨，官方把 Personal Agent（个人智能体）的底层架构思路公开了。
- 此前不少人还在等传闻中的「dsh dot」，这次先等来的是这篇架构文章。
- 在模拟多任务环境中，Super-agent（超级智能体）任务完成时间中位数为 12.4 分钟，95 分位数为 15.7 分钟，优于测试中的传统单会话方案。
- 文章给出的判断是：AI 开始从等待人类逐项分配任务，走向主动发现问题、持续推进工作。
群里没人 @，AI 已经自己找到 Bug 并提交 PR
- 日常开发需要在 IM 群聊、GitHub、PR 评论等平台间来回切换，传统 Coding Agent（编码智能体）把这些操作分散在不同会话里，用户得自己记住进度并把上下文交代给 AI。
- DeepSeek 团队观察：一个人通常只能同时跟进 3 到 5 个活跃 Session（会话）。随着模型单项任务能力变强，多任务协作效率越来越受人类注意力限制，Super-agent 要解决的就是这个问题。
- 内部运行实例中，同一开发任务可从 IM 群聊延续到 GitHub PR 评审：用户先在群里选定方案 A，又在 GitHub 评论里要求改成方案 B，Super-agent 能识别两条消息属于同一项工作并调整后续执行。
- 用户始终面对同一个 Agent，底层多个会话由系统自行管理；它还借助投机执行（Speculative Execution）主动工作：如群里讨论 Bug，先在后台复现、查因，找到简单可行修复就交给用户，没结果则保持安静，避免打扰。
- 同样的投机执行思路可用于个人助手：收到会议邀约后提前检查日程冲突、整理资料、准备回复草稿，等用户确认。
四个核心特征与 Router/Worker 双层架构
- DeepSeek 为 Super-agent 提出四个核心特征：连续（跨会话、跨平台保持任务上下文，不用反复解释前情）、高效（多任务并行，耗时任务不阻塞新交互）、主动（持续观察环境变化，必要时自行行动）、持久（长期在线，遇异常能尝试自动恢复）。
- 为此设计了双层架构：上层 Router（路由层）像总调度员，负责接收消息、分配任务、维护全局上下文；下层 Worker 是一组负责具体执行的 Agent 会话，多个任务可同时推进、互不干扰。
- 还专门设计了订阅与直通机制：某个 Worker 接手一条 GitHub PR 后可直接订阅后续评论，之后有人提修改意见，消息直接交给该 Worker 处理，不必再经 Router 层层转发。
- 效果是老任务有人持续跟进、新任务也能及时分配，系统运转更高效。
24 小时在线、自主恢复，实测任务完成时间更稳定
- 消息过滤：Agent 同时接入工作群、GitHub、邮件后消息大量涌入，DeepSeek 设计两级事件过滤机制——先用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行动，以减少 Token 消耗。
- 任务阻塞：引入异步 ReAct Loop，AI 执行耗时任务时仍能响应新指令，无需等上一项完成；该机制已在 DeepSeek Harness 中实现，但尚未默认开启。
- 24 小时在线：采用计算、状态与执行环境分离的思路。计算逻辑可在云端运行，会话状态独立保存，本地设备保留原有工作环境；即使电脑离线，云端 Agent 也能维持任务状态，设备重新上线后继续执行。
- 异常恢复：引入独立的 Watchdog（看门狗）机制，相当于专门监督其他 Agent 的 AI，可检测程序故障，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。
初步实验结果与 Token 开销
- 实验设置：模拟约 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：Super-agent 任务完成时间中位数 12.4 分钟、95 分位数 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 29.5 分钟。
- Token 开销：取消事件直通机制后，Router 决策次数增加约 30%，读取缓存 Token 增加约 37%，说明合理的事件路由能有效降低系统运行成本。
报道结语与开源地址
- 从这次技术分享看，DeepSeek 正在探索让 Agent 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。
- 文章认为，当 AI 逐渐能独立完成复杂任务，如何让它长期、稳定地推进多项工作，开始成为 Agent 系统需要解决的新问题。
- 原文给出的项目链接为 https://github.com/deepseek-ai/dsh-superagent-prototype。