DeepSeek开源Super-agent架构，AI可自主发现Bug并提交PR
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载从被动接单到主动发现
DeepSeek此次公开的Super-agent架构，针对的是传统Coding Agent在多平台协作中的断点问题。开发者在IM群聊讨论方案、到GitHub提交代码、再按PR评论修改，这些操作分散在不同会话里，用户需要自己记住进度并反复交代上下文。DeepSeek团队观察到一个限制：一个人通常只能同时跟进3到5个活跃Session，模型单项任务能力越强，多任务协作越受人类注意力制约。Super-agent让用户始终面对同一个Agent，底层多个会话由系统自行管理，并能主动参与工作，例如群里讨论某个Bug时先着手复现和查找原因，找到简单可行的修复方案再交给用户，没有结果则保持安静。
双层架构与消息直通
架构分为上下两层：上层Router负责接收消息、分配任务和维护全局上下文，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。系统还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，有人提出修改意见时消息直接交给该Worker处理，不再经过Router层层转发，使老任务有人持续跟进、新任务也能及时分配。DeepSeek将Super-agent的核心特征概括为连续、高效、主动、持久，分别对应跨会话跨平台保持上下文、多任务并行不阻塞新交互、持续观察环境并自行行动、长期在线且异常时尝试自动恢复。
过滤、异步与看门狗
为支撑长期自主运行，DeepSeek设计了两级事件过滤：先由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。异步ReAct Loop让AI执行耗时任务时仍能响应新指令，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，电脑离线时云端仍维持任务状态。独立的Watchdog机制相当于监督其他Agent的AI，可检测程序故障，也能判断任务是否陷入无效循环或偏离目标并尝试介入修复。
实测数据与Token开销
DeepSeek进行了初步实验，模拟包含约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。Super-agent任务完成时间中位数为12.4分钟，95分位为15.7分钟；传统单Session方案在中性提示下95分位达到29.5分钟。效率提升伴随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%。这些数据来自模拟环境，反映的是该架构在多任务协作场景下的初步表现。
为什么值得看
DeepSeek公开Agent底层架构，给出多会话协作与主动执行的具体工程方案和实测数据，对做Agent系统的开发者有…
信源1 家
关键事实
相关 · 工具
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。