背景
开发者日常工作涉及多个平台切换：在 IM 群聊讨论方案，到 GitHub 提交代码，再根据 PR 评论修改实现。传统 Coding Agent 将这些操作分散在独立会话中，用户需要手动维护上下文，在不同会话间转述任务进展。DeepSeek 团队观察到，一个人通常只能同时跟进 3 到 5 个活跃 Session，这限制了多任务协作效率。模型单项任务能力变强，人类注意力反而成为瓶颈。
Super-agent 解决的正是这一问题。用户面对同一个 Agent，从群聊决策到 GitHub PR 评审，系统自行管理底层多个会话。DeepSeek 团队内部实例中，Agent 能理解群聊里采用方案 A 和 GitHub 评论里改用方案 B 属于同一项工作，并据此调整执行方向。Agent 还引入投机执行：群里讨论 Bug 时，后台已着手复现和定位，找到可行修复方案后交给用户，未找到有效结果则保持安静。
核心原理
Super-agent 采用双层架构。上层 Router 统筹全局，负责接收消息、分配任务和维护上下文。下层 Worker 是一组 Agent 会话，负责具体执行，多个任务可同时推进。关键设计是订阅与直通机制：Worker 接手 GitHub PR 后直接订阅后续评论，新的修改意见无需经 Router 转发，直接交给对应 Worker 处理。老任务持续跟进，新任务及时分配。
消息过滤采用两级机制：程序规则先筛除无关消息，大模型再判断剩余事件是否需要行动，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，无需等待上一任务完成。该机制已在 DeepSeek Harness 中实现，但默认未开启。
24 小时在线依赖计算、状态与执行环境分离。Agent 计算逻辑在云端运行，会话状态独立保存，本地设备保留工作环境。电脑离线时，云端 Agent 维持任务状态，设备重新上线后继续执行。Watchdog 机制作为独立监督 AI，既检测程序故障，也判断任务是否陷入无效循环或偏离目标，并尝试介入修复。
局限
效率提升伴随一定 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%。合理的事件路由能降低运行成本，但多层架构本身会引入额外消耗。
初步实验在约 300 条消息、20 项工作请求的模拟环境中进行，每种配置重复测试 5 次。Super-agent 任务完成时间中位数 12.4 分钟，95 分位 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。实验规模有限，更复杂场景下的表现有待验证。异步 ReAct Loop 和投机执行机制尚未默认开启，功能成熟度需进一步观察。
对开发者的意义
Super-agent 让 Agent 从单次会话限制中解脱，实现跨平台持续协作。开发者无需在多个会话间反复交代上下文，Agent 能跟踪从群聊讨论到代码提交的完整流程。主动响应和投机执行减少等待时间，Agent 在后台尝试解决方案，找到结果后直接呈现，未找到则不打扰。
并行执行让多个复杂任务同时推进，避免单个耗时任务阻塞后续工作。24 小时在线和自动恢复机制支持长期运行，遇到异常时尝试自行修复。这些特性正在将 Agent 从「等待人类逐项分配任务」推向「主动发现问题、持续推进工作」。
DeepSeek 公开架构思路，也为开发者探索类似系统提供了参考。GitHub 仓库已开放原型代码，开发者可以基于此进一步实验和改进。
原文地址：tools.wflynn.cn/aitools/tre...
关注公众号「YourTools」，每天推送 GitHub 趋势与开源工具速报：
