IT之家10月31日消息，DeepSeek Harness官方团队今日发布《Super-agent设计探索：迈向更自主的Agent系统》一文，介绍了其面向工程实践的Super-agent架构设计思路。
随着大模型执行单个任务时越来不需要人的干预，限制生产力进一步提升的因素正逐渐转向人的注意力，Agent系统需要从被动响应指令的单任务工具，向持续在线、能够并行处理多项任务的自主协作者演进。
DeepSeek表示，现有主流Agent设计仍以单一Session(会话)为基本单位，不同Session之间相互独立。用户并行推进多项工作时，需要手动切换并维护各个Session的上下文。
根据DeepSeek团队观察，一个人通常只能同时跟进3至5个活跃Session。即使通过CLI、MCP或外部连接器扩展本地Agent，也仍可能面临单会话同步阻塞、多任务上下文混乱，以及本地设备离线后任务停止等问题。
他们将这种新型Agent形态及其系统架构称为Super-agent，并归纳出四项基础特征：连续、高效、主动和持久。
首先，连续意味着用户可以在即时通讯、GitHub评论等不同渠道与同一个Agent交互；高效意味着能够并行处理多个复杂任务；主动意味着系统可以持续观察环境事件并自行推进值得处理的事项；持久则要求Agent始终在线，并能在长期运行中从异常状态恢复。
▲ 同一个任务在IM群聊与GitHub Pull Request评审之间连续推进
▲ 持续关注公共群聊，在无人@的情况下主动识别缺陷并提交修复Pull Request DeepSeek提出的整体架构主要由双层架构、事件驱动、面向人的交互、计算与状态及环境分离、Watchdog五部分组成。
其中，双层架构将系统划分为Router层和Worker层：Router负责承接人类交互、维护全局上下文并分派任务，Worker则在相互隔离的会话中并发执行具体工作。Worker不直接向用户回复，而是将状态和结果汇报给Router，由后者统一对外沟通。
▲ 双层架构：Router层统一负责路由与对外交互，多个Worker Session隔离并发执行任务
在事件驱动机制中，群聊消息、邮件与日程提醒、代码审查评论、CI运行结果等外部信息被称为Trigger。系统先通过程序规则过滤事件，再交由大模型判断是否需要采取行动。对于已经分配任务的事件流，Worker可以订阅对应Thread，后续相关事件由程序直接发送给Worker，无需每次都经过Router，从而降低路由负载。
DeepSeek团队还介绍了Inline&Spill和链式召回(Chain of Recall)机制。前者将近期可能用到的信息直接放入模型上下文窗口，将超出预算或低频使用的内容保留在窗口之外，供模型按需读取；后者则通过Trigger、Thread和Worker Session等对象之间的引用关系，让模型沿关联ID逐步找回历史任务信息。
▲ Super-agent整体系统架构
为减少人类等待时间，Super-agent还引入投机执行机制，可以根据环境信号在后台提前开展工作。例如，收到会议邀约后先检查日程冲突、搜集背景资料并准备回复草稿；在研发协作场景中，则可以在群聊讨论问题时尝试复现故障、寻找修复方案，只有确认问题并找到简单修复方式后才向用户交付结果。
在人机交互方面，文章提出异步ReAct Loop，将耗时工具调用改为异步的start()和stop()。Agent启动后台任务后即可返回Started状态，不必等待任务完成，后台结果随后作为新事件进入会话。
这样，前台对话可以继续接收用户的新消息。不过，DS团队特别说明，这项异步任务机制已经在DeepSeek Harness中实现，但尚未默认开启。
▲ 两级过滤：先由程序层策略筛除大部分无关消息，再交由语义层策略判断
针对长期在线运行，DeepSeek将Agent Loop的计算、会话状态和执行环境进行解耦：计算与持久化状态放在云端，执行环境则可以保留在用户本地设备，仅部署负责执行命令和返回结果的轻量daemon。该设计支持BYOM(Bring Your Own Machine)，即将用户日常使用的开发机或个人电脑接入云端Agent，也支持连接云端托管机器或按需创建的计算环境。
此外，系统在主架构之外设置独立的Watchdog Session，形成外部控制回路。Watchdog不仅监控接口报错、状态恢复失败等基础设施问题，还会通过模型判断Worker是否取得实质进展、执行方向是否偏离目标，并在发现异常时介入修复。
▲ Thread示例：同一个IM话题或同一个GitHub Pull Request下的连续Trigger构成一条Thread DeepSeek团队还进行了初步实验，对比Super-agent、去掉事件直通机制的Super-agent，以及两种提示词配置下的单Session加Subagent方案。
实验每次包含约300条消息，其中约20条为工作请求，每种方案重复运行5次。结果显示，Super-agent的任务完成时间p50和p95分别为12.4分钟和15.7分钟；中性提示下的单Session方案p95为29.5分钟。
DeepSeek团队指出，这些实验基于合成负载和简化环境，主要评估系统调度与协作能力，并不衡量单个任务的实际执行能力。
▲ 工作请求的累计到达曲线与四种方案的累计完成曲线(5次实验运行均值；消息间隔与工作时长按1/4缩放，模型调用耗时为真实值)
在 Router层压力测试中，Trigger到达速率从每分钟约1条提升至约40条时，平均批处理大小从1.0增至2.8，单次请求耗时从2.5秒增至3.9秒，而单个决定分摊的推理时间从6.4秒降至1.6秒。团队据此认为，事件突发时，Router可以通过合并积压事件提高有效吞吐。
▲ 每种方案重复运行5次；任务完成时间指从工作请求到结果消息的耗时。
文章同时指出，这套架构仍存在待解决的问题，包括Router层如何随任务规模扩展、跨月乃至更长时间跨度的长程记忆、脱离Session后的人机协作方式、不同Agent实例之间的A2A通信，以及安全与隐私保护。尤其是云端Agent接入本地设备后，提示词注入、端侧凭据泄露和跨设备权限风险都需要进一步解决。
▲ 不同Trigger到达速率下Router Session的batch大小、单次请求耗时与单个决定的分摊推理时间
DeepSeek团队表示，基于上述思路和DeepSeek Harness构建的内部Super-agent实例已经持续运行，参与问题复现与修复、代码审查响应以及DeepSeek Harness自身迭代。
此外，他们在文章中还提供了名为dsh-superagent-prototype的原型实现，但明确指出，该插件用于验证技术路线，并非DeepSeek正式产品。
