DeepSeek发布Super-agent
工作群里有人抱怨了一句软件有Bug。
没人@AI，也没人给它派活。
结果几分钟后，后台有个东西自己把这句抱怨听进去了，偷偷尝试把问题复现了一遍，顺手找好修复方案，最后直接往GitHub上交了个修改请求（Pull Request），等着人类程序员去点确认。
这不是科幻片，是DeepSeek内部现在真实的上班日常。
10月31日，DeepSeek Harness团队发了一篇技术文章，叫**《Super-agent 设计探索：迈向更自主的 Agent 系统》**，顺手在GitHub上开源了一个原型。
说人话就是：以前是我们盯着对话框使唤AI，现在DeepSeek搞了个AI"包工头"，让它24小时蹲在后台，自己盯着群聊、自己领活、自己指挥底下一帮AI小弟干活。
01｜以前用AI，累的是人
现在大家用AI，不管写东西还是写代码，基本都是**"一问一答"**。
你开一个聊天窗口，就像雇了一个临时工。你给一句指令，它动一下。你想同时干几件事，就得开好几个窗口。
DeepSeek团队在文章里算了一笔很实在的账：现有的AI工作模式，基本绑死在**单个聊天窗口（Session）**里，窗口和窗口之间互不通气。
你要同时推进几件事，就得手动来回切窗口，自己拿脑子记着这边的进度、那边的背景。
根据他们的观察，一个正常人，通常最多只能同时跟进3到5个活跃窗口。
这就很尴尬了。单个任务能不能做好，看AI的本事；但能不能同时干很多事，卡脖子的是人类的脑容量。
稍微多开几个窗口，AI没乱，人先精神分裂了。而且电脑一合上、设备一离线，活也就停了。
所以DeepSeek这次干的事很直接：把AI从单一的聊天窗口里拽出来，变成一个持续在线、能跨窗口记事、同时干一堆活还不打架的系统。
他们管这东西叫 Super-agent。
02｜一个包工头，带一群干活的
怎么让AI多干活还不添乱？DeepSeek设计了一套挺有意思的"双层架构"：把系统劈成两半，一个是 Router（路由层） ，一个是 Worker（执行层）。
这结构哪怕不懂代码的人也能秒懂，跟现实里的施工队一模一样。
Router 就是那个"包工头"。
它专门负责跟人打交道，手里捏着全局的账本（上下文）。你在群里说话、发邮件、改需求，全由它接着。它不干具体活，专门负责听懂人话，然后把活拆开，分派给底下的小弟。
Worker 就是底下干苦力的"施工队"。
包工头一声令下，系统就拉起好几个独立的Worker同时开工。每个Worker都在自己隔离的小房间里干活，互不干扰。
最懂事的是，这些干活的小弟绝对不会越级跑来烦你，它们干完了、遇到问题了，全都统一汇报给Router，再由这个包工头整理好了，统一跟你沟通。
那包工头怎么知道什么时候该干活？
靠的是**"事件驱动"。在DeepSeek的设想里，群聊消息、邮件、日程提醒、代码审查评论，全都是触发器（Trigger）**。
为了防止AI是个"话痨"，群里谁发个表情包它都上去接话，系统先用程序规则过滤 一遍，再让大模型判断这事需不需要出手。
如果某件事已经派给某个Worker小弟去跟了，这个小弟就会直接**"订阅"**这条任务线。后面群里再聊跟这事相关的变动，程序直接把消息递给这个小弟，不用每次都去麻烦包工头中转。
比如程序员先在群聊里定了方案，回头又跑到GitHub评论区改了主意。AI能把这两头的话串起来，自己掉头调整方向，接着往下干。
为了验证这套班子好不好使，DeepSeek团队做了一组实验：模拟群聊和GitHub的消息流，单次塞进去大约300条消息，里面其实只有约20条是真的派活请求。
拿这套Super-agent和传统的方案对比，连跑五次，Super-agent完成任务的p50时间是12.4分钟。
03｜怕AI忘记事，给它配了"抽屉"
让AI一直在线干活，最怕两件事：一是记性乱，二是费用高。
什么东西都往大模型的脑子里塞，很快就会超出容量限制，就算塞得下，算力成本也扛不住。
DeepSeek在这里搞了两个机制：一个叫 Inline & Spill ，一个叫 链式召回（Chain of Recall）。
翻译过来也很简单。
-
第一种，就是把眼下马上要用的信息，直接揣在兜里（放进模型上下文窗口 ）；那些超预算的、或者八百年用不上一回的陈年旧账，先锁进外面的抽屉里（保留在窗口之外），等AI哪天真用上了，再自己去翻抽屉按需读取。
-
第二种"链式召回"，就像是给所有的聊天记录、任务单、干活的小弟都挂上关联的工牌号（ID）。哪天需要查旧账了，AI就顺着这些号码牌，藤摸瓜把历史任务信息一点点找回来。
这样一来，包工头既不会因为脑子塞太满变傻，也不会干着干着忘了三天前你交代过什么。
04｜连这套系统，都是AI自己写的
这次最让人后背发凉、又觉得有点好笑的细节，藏在他们开源的GitHub代码库说明里。
DeepSeek这次放出来一个叫 dsh-superagent 的研究原型，能监听GitHub和飞书。官方在文档里非常坦诚地写了一段话，大意是：
这只是个研究原型，还不是正式产品，里面可能还有Bug，代码风格也可能不太统一。为什么呢？"因为这个代码库是从我们团队的日常开发工作里长出来的，其中很大一部分工程，是由编程Agent自己写出来的。"
不仅如此，现在这套内部Super-agent已经在DeepSeek自己家里跑起来了，日常干的活除了修Bug、回代码审查，還有一项工作是：参与它自己底盘（DeepSeek Harness）的迭代。
AI写了个系统，用来指挥AI干活，顺便再让AI给自己升级。
甚至连安装这个开源原型的步骤，官方都懒得一条条教人类了。因为配置步骤挺多，他们在说明文档里直接写着：让你的编程Agent去读一下仓库里的 SETUP.md 文件，让它带你装。
AI看完安装文档，会每次问你一个简短的问题，给你看一眼完整计划，然后自己咔咔把所有东西安装配置好。
在这个开源原型的文档里，DeepSeek写了一句挺戳打工人肺管子的话，作为他们设计这套系统的原则：
"尽可能少地占用人类的注意力，尽可能多地提供价值。"
他们很清楚，一个能替整个团队干活的AI，如果设计不好，也能瞬间浪费掉整个团队的精力。所以给它立的规矩是：只有被要求、或者团队写的规则允许时才动手；只有当人类必须拍板、或者能直接拿结果用的时候，才开口说话。
这两天AI圈子其实挺热闹。另一边，面壁智能刚开源了个叫ForgeKernel的无人参与Agent，在英伟达B200上零帧起手，不用参考原始代码，自己一轮轮进化，硬是把DeepSeek那套被业内公认为"人类手写巅峰"的核心算子（FlashMLA Prefill）写快了9.8%。
你看，连写底层算子这种顶尖程序员的活，AI都在自己卷自己了。
以前我们总琢磨怎么学写提示词（Prompt），怎么跟AI更好地聊天。现在看，聊天可能只是个过渡期。
当AI开始有了包工头、有了施工队，平时在群里闷头旁听，有活自己接、改完自己交的时候，留给人的位置其实就只剩两头了------
要么是定规矩、拍板做决定的那个；要么是最后点**"确认验收"**的那个。
中间那些来回传话、盯进度、熬夜修修补补的苦活，那个在群里从来不发牢骚的AI包工头，已经默默接过去了。