要知道，此前不少人还在等DeepSeek推出传闻中的「dsh dot」，结果这次先等来了一篇面向工程实践的架构思路探讨——

何意味？AI可以在没人@、没人下指令的情况下，自己发现Bug、定位问题，甚至主动提交修复PR了。

甚至它还能持续关注工作群消息，跨平台协作、并行处理多个复杂任务，甚至实现24小时在线运行。

在模拟多任务环境中，Super-agent的任务完成时间中位数为12.4分钟，95分位数为15.7分钟，表现优于测试中的传统单会话方案。

DeepSeek团队在文章中提到，根据他们的观察，一个人通常只能同时跟进3到5个活跃Session。

这就带来了一个问题：随着模型处理单项任务的能力越来越强，多任务协作的效率，却越来越容易受到人类注意力的限制。

在DeepSeek团队内部运行的实例中，同一个开发任务可以从IM群聊一直延续到GitHub PR评审。

用户面对的始终是同一个Agent，底层的多个会话则由系统自行管理，而且它开始主动参与工作。

比如群里有人讨论一个Bug，Super-agent便先着手复现、查找原因，如果最终找到简单可行的修复方案，就把结果交给用户。

上层叫Router，可以理解为负责接收消息和统筹任务的调度员，下层叫Worker，则是一组负责具体执行任务的Agent会话。

之后有人提出修改意见，消息会直接交给这个Worker处理，无需再经过Router层层转发。

除了多任务协作，要让Super-agent长期自主运行，还得解决消息过滤、任务阻塞和异常恢复等问题。

当Agent同时接入工作群、GitHub、邮件等平台，大量消息会持续涌入，但真正需要处理的可能只有少数。

先通过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采取行动，减少不必要的Token消耗。

AI执行耗时任务时，仍能继续响应新指令，无需等上一项任务完成。该机制已在DeepSeek Harness中实现，但尚未默认开启。

Agent的计算逻辑可以在云端运行，会话状态独立保存，本地设备则保留原有工作环境，即便电脑暂时离线，云端Agent也能维持任务状态，等设备重新上线后继续执行相关工作。

它相当于一个专门负责监督其他Agent的AI，既能检测程序故障，也能判断任务是否陷入无效循环、偏离目标，并尝试介入修复。

他们模拟了包含约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。

结果显示，Super-agent任务完成时间中位数：12.4分钟，95分位任务完成时间：15.7分钟。

DeepSeek发现，取消事件直通机制后，Router的决策次数增加约30%，读取缓存Token增加约37%。

从这次技术分享来看，DeepSeek正在探索让Agent进一步摆脱单次会话限制，实现持续在线、并行执行、主动响应和异常自愈。

当AI逐渐能够独立完成复杂任务，如何让它长期、稳定地推进多项工作，也开始成为Agent系统需要解决的新问题。

GItHub链接： https://github.com/deepseek-ai/dsh-superagent-prototype

量子位 QbitAI 版权所有©北京极客伙伴科技有限公司 京ICP备17005886号-1