DeepSeek Harness 团队最近公开了一篇讨论 Super-agent 概念的文章。他们观察到，虽然单个 AI Agent 完成任务的能力越来越强，但当人们同时推进多个任务时，瓶颈反而落在人身上：需要自己记住每个会话的进度，来回切换，一个人能同时盯住的任务通常只有三到五个。
Super-agent 被归纳为四个特点：
- 连续：你在群聊里刚说过一个想法，过一会儿又在 GitHub 上改了主意，系统能把前后信息串起来，让你始终觉得在跟同一个助手对话。
- 高效：可以同时推进多件事，彼此之间互不干扰。
- 主动：Agent 自己盯着群聊、邮件、代码评审，发现该处理的事情就接手，不需要逐条下指令。
- 持久：一直在线，即使关掉电脑，它也不会停。
底层实现上，他们采用了一个双层结构。上面是 Router，像个总调度，只管跟人打交道和分任务，自己不干活。
下面是一堆 Worker，各自独立干一件事，干完向 Router 汇报。
外部进来的群聊消息、代码提交、邮件等，大多都是噪音。系统会先用规则快速过滤掉一批，剩下判断不准的再交给模型处理。已经分配出去的任务，后续相关消息会直接送到对应的 Worker 手里，不再绕回总调度。
他们还设计了一个叫“投机执行”的机制。比如群里有人反馈 bug，Agent 不会等人下命令，而是先在后台悄悄复现问题、寻找修复方案。修好了就提交出来；没修好就安静待着，整个过程不打扰人。
交互方式也从“你说一句、它干一步”变成了异步模式。后台可以同时运行长任务，你随时插话安排别的事情。不同渠道的输出风格也做了适配：群聊里回复简短几条，GitHub 上则写完整说明。
为了保持稳定在线，系统把计算、状态和执行环境拆开。Agent 的“脑子”放在云端，聊天记录存在数据库里，代码文件留在本地电脑，通过一个后台小程序连接。外面还部署了一个 Watchdog，类似独立巡检员，定期检查各个 Worker 有没有卡住或跑偏，发现问题就介入处理。
实验层面，他们一次性丢入 20 个任务进行测试。Super-agent 平均约 12 分钟完成一个任务，速度比传统方案更快，稳定性也更好。作者也坦言还有不少问题没解决，比如规模扩大后如何扩展、多个 Agent 之间怎么安全通信、设备接入后的隐私安全等。
整体思路其实很清楚：把计算机系统里那些成熟的工程方法搬到 Agent 上，让它不再只是一个等你敲指令的对话框，而是成为一个持续在线、能自己推动事情前进的协作者。这类思路在云栈社区也常被拿来讨论。 | 
发表于 17 小时前
|
查看: 2|
回复: 0
/1 
