DeepSeek 探索 Super-agent：Router 与 Worker 分工，让 AI 并行推进多项任务

据 IT之家 10 月 31 日报道，DeepSeek Harness 官方团队发布《Super-agent 设计探索：迈向更自主的 Agent 系统》，介绍面向工程实践的架构思路。其核心是通过 Router 与 Worker 双层架构，让 Agent 从等待指令的单任务工具，转向持续在线、并行处理任务的协作者。这是一项系统设计探索，并不意味着文中能力已全部默认开放。

从单会话工具，转向统一协调多个任务

DeepSeek 团队认为，随着模型完成单个任务所需的人为干预减少，生产力瓶颈正逐渐转向人的注意力。现有 Agent 通常以独立 Session 为单位，用户同时推进多项工作时，需要切换会话并维护上下文。团队观察显示，一个人通常只能同时跟进 3 至 5 个活跃 Session。

Super-agent 将目标归纳为连续、高效、主动和持久：既能让同一任务跨即时通讯、GitHub 评论等渠道推进，也能并行处理复杂工作、观察环境事件，并在长期运行中从异常状态恢复。

• Router 承接用户交互、维护全局上下文，并分派任务。
• Worker 在隔离会话中并发执行工作，将进度和结果汇报给 Router，由后者统一对外沟通。
• 群聊消息、邮件、代码审查评论和 CI 结果等作为 Trigger，先经过程序规则过滤，再由模型判断是否行动。
• 已分配任务的相关事件可直接发送给订阅对应 Thread 的 Worker，减少 Router 的重复处理。

异步执行与按需召回，减少前台等待

这套设计不仅涉及任务分派，也涉及长期上下文管理。Inline & Spill 机制把近期可能使用的信息放入模型上下文，将低频或超出预算的内容留在窗口外按需读取；链式召回则利用事件、线程和 Worker 会话之间的引用关系，逐步找回历史任务信息。

在人机交互上，团队提出异步 ReAct Loop：耗时工具调用启动后即可返回 Started 状态，结果随后作为新事件进入会话，前台无需一直等待。该异步任务机制已在 DeepSeek Harness 中实现，但尚未默认开启。

系统还引入投机执行思路，例如收到会议邀约后提前检查冲突、准备资料，或在研发讨论中先尝试复现故障和寻找修复方案。其目标是把部分准备工作前移，减少用户等待，而非每一步都依赖明确指令。

产业解读：Agent 的竞争延伸到协作与运行机制

对开发者而言，这次探索的重点不是模型回答能力，而是如何组织模型、事件、工具与持久化状态。为支持长期在线，方案将计算、会话状态与执行环境解耦：计算和持久化状态放在云端，本地设备可保留执行环境，通过轻量 daemon 执行命令并返回结果。

这一方向意味着，Agent 产品的价值评估将不只看单次任务是否完成，还要看多任务之间能否隔离、跨渠道信息能否衔接，以及后台工作能否被用户有效掌握。不过，主动观察和提前执行也会带来权限边界、资源消耗与误触发等工程问题。现有材料展示了架构路径，实际效率与稳定性仍需结合后续实现和使用表现判断。