跳转到内容
主站 新闻 控制台

DeepSeek 重磅开源 Agent 底座架构

· 量子位
国内AI

AI已经能够自主发现Bug并提交PR

梦瑶 发自 凹非寺

DeepSeek 又有新动作了!

这一次,官方直接公开了 Personal Agent 的底层架构设计思路。

此前,不少开发者还在期待传闻中的“dsh dot”,没想到 DeepSeek 率先发布了一篇聚焦工程实践的系统架构探讨——

Super-agent:迈向更具自主性的 Agent 系统。

这意味着什么?AI 已经可以在无需人类 @、无需下达指令的情况下,自主发现 Bug、定位问题,甚至主动提交修复 PR。

Image 3

不仅如此,它还能持续关注工作群消息、跨平台协作、并行处理多项复杂任务,并实现 24 小时全天候在线运行。

DeepSeek 团队还公布了初步实测数据:在模拟的多任务协作环境中,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,整体表现显著优于测试中的传统单会话方案。

这标志着 AI 正在摆脱“等待人类逐项下发指令”的被动模式,进一步迈向“主动发现问题、持续自主推进”的新阶段。

群里无人@,AI已能自主定位Bug并提交PR

在日常软件开发中,工程师常常需要在不同平台之间反复切换:先在即时通讯(IM)群聊中讨论技术方案,随后转到 GitHub 提交代码,再根据 PR 评审意见修改实现。

对于传统的 Coding Agent 来说,这些操作往往割裂在不同的会话中——用户不仅需要记住各个会话的推进进度,还必须手动将前因后果同步给 AI。

DeepSeek 团队在技术报告中指出,根据他们的观察,单个人类通常最多只能同时跟进 3 到 5 个活跃会话(Session)。

这带来了一个核心矛盾:随着模型处理单项任务能力的持续增强,多任务协作的整体效率,却越来越受制于人类注意力的瓶颈。

Image 4

Super-agent 正是为解决这一痛点而生。

在 DeepSeek 团队内部运行的实例中,同一个开发任务可以无缝贯穿 IM 群聊与 GitHub PR 评审的全流程。

例如:用户先在群聊中敲定采用方案 A,随后又在 GitHub 评论区要求改为方案 B。Super-agent 能够准确识别这两条指令属于同一项工作,并据此自主调整后续的执行策略。

对用户而言,交互对象始终是同一个 Agent;底层的多个会话状态则由系统自动协同与调度,并且 Agent 会主动介入工作流程。

Image 5

这一能力依赖于一项关键机制——投机执行(Speculative Execution)。

即当 AI 感知到某项任务可能需要处理时,便会在后台提前尝试执行。

比如,当工作群里出现关于某个 Bug 的讨论时,Super-agent 会先行在后台尝试复现、定位诱因。如果找到了简洁可行的修复方案,便主动将解决方案呈报给用户;若未获得有效结论,则保持静默,避免对人类产生打扰。

该机制同样适用于个人助理场景:收到会议邀约后,AI 能够提前检查日程冲突、检索并整理背景资料,甚至起草回复草稿,仅待用户确认即可发送。

这正契合了 DeepSeek 为 Super-agent 确立的四大核心特征:

  • 连续:跨会话、跨工作平台保持任务上下文,无需重复交代前置背景。
  • 高效:支持多个复杂任务并行推进,长耗时任务不会阻塞新的用户交互。
  • 主动:持续感知运行环境变化,在必要时自主采取行动。
  • 持久:具备 24 小时长期在线能力,发生异常时可尝试自动恢复。

Image 6

为此,DeepSeek 构建了一套双层架构:

  • 上层 Router:充当总调度员,负责接收外部消息、统筹任务分配并维护全局上下文。
  • 下层 Worker:作为具体执行单元,由一组独立的 Agent 会话组成。多个 Worker 能够并发执行,互不干扰。

值得关注的是,DeepSeek 还专门引入了事件订阅与直通机制:

例如,当某个 Worker 承接了某项 GitHub PR 任务后,可直接订阅该 PR 的后续评论。一旦有新的评审意见进入,消息将直达该 Worker 处理,无需再经由 Router 层层转发解析。

这种设计确保了进行中的存量任务有专员持续跟进,新任务能被敏捷路由分发,大幅提升了整个系统的协作运转效率。

24小时在线与故障自愈:实测任务完成时间更具稳定性

为了支撑 Super-agent 的长期自主运行,除了多任务并发之外,还必须攻克消息风暴过滤、任务线程阻塞以及系统异常恢复等工程难题。

首先是消息过滤机制。

当 Agent 同时接入工作群、GitHub、邮箱等多个信息源时,海量消息持续涌入,但其中真正需要响应的往往只是少数。

DeepSeek 采用了两级事件过滤设计:

  1. 先利用轻量级规则引擎对无关消息进行前置阻断;
  2. 再交由大模型评估剩余事件是否需要采取行动。这一设计大幅削减了无效的 Token 损耗。

其次,针对任务阻塞问题,Super-agent 引入了异步 ReAct 循环(Async ReAct Loop)。

在执行耗时较长的重型任务时,Agent 依然能实时响应用户的新指令,无需排队等待前序任务执行完毕。该机制已在 DeepSeek Harness 中落地(目前尚未默认启用)。

Image 7

针对 24 小时持久在线 需求,DeepSeek 采用了“计算逻辑、会话状态与执行环境解耦”的架构设计:

Agent 的决策计算运行于云端,状态数据独立持久化存储,本地设备则保留原始执行环境。即使本地电脑因关机或断网暂时离线,云端 Agent 依然能维护任务上下文,待设备重新接入后即刻恢复并继续执行。

此外,系统还引入了独立的 Watchdog(看门狗)机制。

Watchdog 本质上是一个独立监控其他 Agent 的监护模型,既能捕捉底层程序级崩溃,也能实时识别 Agent 是否陷入逻辑死循环或偏离既定目标,并在必要时主动介入干预与修复。

DeepSeek 团队对此开展了一组基准测试:

测试构建了一个包含约 300 条消息、20 项复合工作请求的模拟协作环境,对 Super-agent 与传统的“单 Session + Subagent”方案进行了对照实验(各配置重复测试 5 次)。

测试结果表明:

  • Super-agent:任务完成时间中位数为 12.4 分钟,95 分位完成时间为 15.7 分钟。
  • 传统单 Session 方案:在中性 Prompt 设定下,95 分位完成时间长达 29.5 分钟。

Image 8

当然,执行效率的提升也需要权衡系统的 Token 消耗成本。

DeepSeek 的消融实验显示:若移除“事件直通机制”,Router 的调度决策频次将增加约 30%,读取 Cache Token 的开销将上升约 37%。这证明了精细化的事件路由策略对于降低 Agent 运行成本具有关键作用。

从本次技术公开可以看出,DeepSeek 正探索让智能体彻底跳出单次线性对话的框架限制,转向持续驻留、多任务并发、主动响应与自我修复的工程化体系。

随着大模型解决单点复杂任务能力的日趋成熟,如何保障其长期、稳定且自主地推进系统级业务,正在成为下一代 Agent 架构探索的核心命题。

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