10月31日晚间，DeepSeek Harness团队在官方公众号发表技术文章《Super-agent设计探索：迈向更自主的Agent系统》，首次系统公开了其面向自主Agent的全新底层架构——Super-agent。
DeepSeek团队在文章中指出，随着模型单任务执行能力持续增强，生产力提升的瓶颈正从“AI能不能做”转向“人能同时管多少AI”。据团队观察，一个人通常只能同时跟进3至5个活跃Session；用户在不同平台、不同任务之间手动切换和维护上下文，成为多任务协作效率的核心制约。即便通过CLI、MCP或外部连接器扩展本地Agent，单会话同步阻塞、多任务上下文混乱、设备离线即停等问题依然存在。
Super-agent要做的，正是把会话管理与上下文同步从人手上移到系统底层——人负责定目标和验收，调度与执行交由AI系统自行完成。
Super-agent的核心是一套Router与Worker双层架构。Router是持续运行的全局协调节点，统一承接来自IM、GitHub、邮件等平台的交互，维护全局上下文并分派任务；Worker则在相互隔离的会话中并发执行具体工作，不直接面向用户，而是将状态和结果汇报给Router，由后者统一对外沟通。
这一设计的用意在于把“连续性”与“并发效率”拆开处理：Router层以单个常驻LLM Session为核心，只做轻量交互与分派，上一轮推理期间积压的多条事件会自动合并、批处理注入，从而在保持全局连续的同时摊薄单个决定的推理成本；Worker层则挂载完整工具，在独立上下文中专注推进单一任务，必要时还可调用Subagent。配合订阅与直通机制，同一GitHub PR或IM话题下的后续事件可直接发往已订阅的Worker，不再经Router转发，进一步降低全局节点的负载。
DeepSeek将Super-agent的基础特征归纳为四条：连续、高效、主动、持久。连续意味着用户在不同渠道（如IM和GitHub）与同一个Agent交互时，感受始终只存在一个Agent；高效意味着多任务并行且不阻塞新指令；主动意味着Agent持续观察环境事件、无需逐条指令即可推进值得处理的事项；持久则要求始终在线、异常时自动恢复。
支撑这四条特征的，是五个相互配合的模块：双层架构、事件驱动、面向人的交互、计算与状态及环境分离，以及外部Watchdog。事件驱动将群聊消息、代码评论、CI结果等半结构化环境事件作为主要输入，通过“程序快筛+模型慢判”两级过滤控制噪音与成本。存算分离将执行循环放在云端、会话状态存入数据库，本地仅保留轻量daemon，使电脑离线后任务仍可继续。独立的Watchdog则专门监督任务是否陷入无效循环或偏离目标，并尝试介入修复。异步ReAct Loop已在DeepSeek Harness中实现，使Agent在执行耗时任务时仍能响应新指令，但目前尚未默认开启。
实验中，在模拟约300条消息、20项工作请求的协作环境中，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；作为对照的传统单Session加Subagent方案，在中性提示下95分位完成时间达到29.5分钟。Router层压力测试还显示，将积压事件合并批处理后，单个决定分摊的推理时间可从6.4秒降至1.6秒。
效率提升伴随着Token开销的增加：取消事件直通机制后，Router决策次数增加约30%，读取缓存Token从2323万增至3177万。团队在文中坦言，实验基于合成负载与简化环境，未评估真实编码质量，上述数据仅为初步参考，并非正式产品结论。
