DeepSeek发布Super-agent

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。

相关推荐
万里侯8 小时前
日志聚类之后别把 noise 扔掉:降噪应该改变视图,不抹掉证据
人工智能·微服务·ai·容器·k8s
澹锦汐8 小时前
纯前端秋日银杏与枫叶落叶色板智能聚类器:基于 K-Means 色彩量化与直方图自动配方提取
前端·人工智能·ai·语言模型·vue·react·k-means
71777715 小时前
国内 AI 研发效能工具怎么选:2026 年基于公开信息的选型框架与 Gitee 实践
人工智能·gitee
Csvn16 小时前
换供应商要改一遍代码?把模型接入收进一层网关(C04)
人工智能·aigc·agent
孟健16 小时前
开源AutoClip切直播:1小时48分出19段,整月API只花0.08元
人工智能·开源·aigc
翰墨之道16 小时前
AI日报:豆包工作ARR超20亿,GPT-6.2跑分与实测割裂
人工智能·gpt·数据挖掘
Maynor99617 小时前
Trymodel 使用介绍:一个平台同时用 Claude、GPT、Gemini 和 Grok
人工智能·gpt·ai·程序员·教程·claude·语音
字节跳动视频云技术团队18 小时前
接大模型别再自己配 Key、搭代理了,火山引擎 IGA Pages 一步搞定
人工智能
阿里云大数据AI技术18 小时前
EMR Serverless StarRocks 产品介绍:从统一 OLAP 走向多模态分析与检索
人工智能
Forget the Dream19 小时前
Spring AI 2.0 系列(二):第一个 ChatClient——从注入到一次完整调用
java·人工智能·spring boot·ai·springai