苦单 Session 久矣,两大 Agent 玩家不谋而合
田晏林 2026-11-07 13:01:17 来源:量子位
梦瑶 发自 凹非寺
大道不孤。
DeepSeek 刚刚提出的 Super-agent 架构理念一经发布,便引发了行业热议。
也正是在这番讨论中,一家硅谷华人团队此前的探索成果,开始被行业真正读懂。
这场跨越大洋的技术共鸣,背后指向的是同一个人机协同的底层困境——
当前,人类正在成为 AI 的瓶颈。
设想一下:当 AI 可以同时推进 1,000、10,000 乃至 100,000 个任务,信息量多到人类完全无法逐一处理时,Agent 究竟该演进成什么形态?
AI生成
不久前,DeepSeek Harness 团队发布重磅文章,针对这一痛点给出了下一代 Super-agent 的架构设想:
构建一个拥有连续上下文、能够自主调度多个 Agent 并行工作,且支持 7×24 小时在线的超级智能体。
将人类有限的注意力解放出来,让 Agent 接管海量任务,实现自我调度与管理。
现实往往具有戏剧性。很多人未曾注意到的是,早在年初,硅谷华人团队 AFK AI 就已在其产品 Comma 中,完整实现了 Super-agent 底层的**“单 Router + 多 Worker”**架构及四大核心特性。
他们甚至更进一步,直接打破了“单 Session 承载一切”所带来的上下文诅咒,让 Agent 具备长期记忆、持续学习和始终在线的能力。更值得一提的是,这套系统目前已经公开可用,且核心代码已完全开源。
在这个人人都在谈论 Personal Agent 的时代,已有团队提前将科幻作品中的“贾维斯”带进了现实。
苦单 Session 久矣,两大 Agent 玩家不谋而合
对于熟悉多智能体协同办公的用户而言,以下场景往往令人疲惫不堪:
你正让 AI 调试一段代码,测试跑完还需要十几分钟;此时客户突然提出新需求催要方案,你不得不新开一个会话窗口重新交待背景;恰在此时,主管又在工作群询问昨日进度。
于是,你只能在频繁切换窗口与检索历史对话中疲于奔命。满屏的 Agent 对话框与杂乱的待办事项,让协同体验大打折扣。

这一痛点,恰好对应了 DeepSeek Harness 团队在 Super-agent 论文中指出的核心瓶颈:
普通人的认知带宽通常仅能同时维持 3 至 5 个活跃 Session。根本问题不在于 Agent 的算力上限,而在于 Agent 的并发能力可以无限扩张,人类的注意力却存在天然的生理上限。
Super-agent 的破局方案非常明确:将人类的注意力管理“外包”给系统,实现“以 Agent 管理 Agent”。
为此,他们提出了下一代 Super-agent 的四大核心标准:连续、高效、主动、持久。
- 连续:意味着记忆与上下文的无缝贯通;
- 高效:依托多个独立 Worker 并行协同;
- 主动:能够自主规划并推进任务;
- 持久:支持 7×24 小时长期驻留与系统自愈。
用户只需通过单一对话入口交互,由主 Agent 调度多个子 Agent 并行处理信息、跨场景跟进任务,人类仅负责顶层决策:

DeepSeek Harness 描绘的下一代 Agent 蓝图令人振奋;而硅谷华人团队 AFK AI 早在半年前,就已经沿着相同的技术路径打造出了 Comma。
该团队提出了一个极具前瞻性的产品理念:“一个团队,一个对话”。
用户面对一个常驻的主对话入口,由 Router 统筹规划,调度具备独立上下文的多个 Worker 并行执行。
在底层架构上,双方形成了高度默契的技术共识:单 Session + Router(主脑)+ 多 Worker(执行者)。
常驻 Router 统筹接收指令并协调全局,多个 Worker 在隔离的上下文中并行作业并回传结果。即使后台有数十个 Agent 同时运行,用户也只需在一个界面中委派任务与验收结果,彻底告别频繁切屏与多方催促进度的困境。

然而,新的技术挑战随之而来:当 Agent 开始接管人类的注意力调度,谁来管理 Agent 自身的记忆?
随着单 Session 承接的任务日益庞大,上下文窗口的容量上限与检索退化问题不可避免。当长期存在的 Session 吞吐越来越多的任务时,人类的注意力瓶颈虽然被转移,Agent 的上下文瓶颈却浮出水面。
真正的攻坚点,在于构建一套能够支持持续学习、长期驻留并能精准召回关键记忆的系统。
这触及了 Super-agent 更深层的技术命题:构建一个如同“贾维斯”般全天候在线、无处不在,且能在长周期工作中持续沉淀经验的个人超级智能体。
这一关于未来的设想,如今已在 Comma 的真实体验中得以呈现。
从架构共识到产品落地:Super-agent 的实践验证
连续与高效:单一对话,自主调度多 Agent 协同
谈及“连续”与“高效”,Super-agent 的核心特征在于常驻 Router 全局调度,配合上下文相互隔离的 Worker 并行工作。需要指出的是,这种协作不仅局限于单一会话内的多任务分发,更涵盖跨环境执行、动态理解并实时响应用户意图的变化。
在 Comma 中,这套架构带来了直观的交互革新:用户无需再频繁为 Agent“拉群”、配置预设人设或重复交代背景。 过去“一任务一窗口”、“排队串行等待”、“反复粘贴背景说明”的繁琐流程被完全简化。

在实际测试中,我们尝试让 Comma 用代码复刻一款《分手厨房》小游戏,同时在同一窗口内追加了周报复盘以及近期 AI 模型动态整理两项完全不同的任务。
以往这需要分别开启三个独立窗口依次交代上下文,但在 Comma 的统一对话框中,三大任务被直接一次性提交。系统迅速响应并将三个任务分配给了不同的 Worker:三个 Agent 并行开工、互不干扰;用户在过程中随时插话或临时追加需求,后台的多线程执行亦不受阻碍。

除了后台调度流畅,任务执行的落地表现同样扎实:
耗时约 10 分钟,Comma 便构建出了基础版《分手厨房》:WASD 移动控制、3 分钟倒计时、道具争夺、出菜判定及通道碰撞等核心机制均完整实现。
与此同时,另一侧的周报复盘也同步完成,工作进展与后续规划条理清晰。

全流程中,用户仅需提出需求、观察阶段进展并验收结果,任务分发、并行推进与状态汇总均由系统底层承载。
管理 Agent 的核心逻辑,由此实现了从**“监控过程”向“交付结果”**的质变。
跨环境:贯通不同工作流的无缝接力
在单一对话框内完成任务调度只是基础。对 Super-agent 而言,真正的考验在于:当任务脱离该窗口、延伸至外部平台时,工作流是否仍能连续推进?
这正是 Super-agent 对“连续性”提出的深层要求:跨环境调度。
在 DeepSeek 提出的架构中,这依赖底层的多通道交互机制:由 Router 统一解析不同平台的事件与消息,Worker 在后台独立执行,并按各平台的交互协议规范回传结果。例如在开发场景下,Agent 可实现跨 IM 工具与 GitHub 的协同,不仅能主动监听群聊动态,还能自动提交 PR。

在 Comma 中,这一跨环境机制依托于其自研的分布式 Agent 运行框架 Salix。
系统通过集成第三方应用连接器捕获各平台事件,借助可编程 Loop 持续监听,必要时自动唤醒 Agent 进行响应。
目前 Comma 已支持接入 微信、Signal、iMessage、Linear 等常见协作通道,并支持安全自部署、BYOK(自带 Key),兼容 Codex 与 Claude Code,实现多端任务监管与协同。
在企业协作场景下,用户可通过 IM 内的 Comma Bot 下发指令,系统通过受控权限与信息流约束调用员工本地环境算力完成任务。
在实际测试中,我们将 Comma 接入项目管理工具 Linear,直接在 Comma 对话框中下达开发规划:

切换至 Linear 可见,相关 Issue 均已自动创建,任务分解与排期规划井然有序:

更重要的是,Linear 中的 Issue 还可反向交由 Comma 执行,其最新进度与交付产物将自动同步回原 Issue 中,使跨平台的任务状态始终保持双向对齐,消除了人工在多套工具间搬运信息的成本。

主动与持久:持续学习、长期在线的记忆体系
在 DeepSeek 的设想中,Super-agent 还具备另外两项关键特质:“主动”与“持久”——即智能体从被动响应指令进化为主动排查问题、承接任务,并保持 7×24 小时长期在线。
Comma 在这一方向上也给出了落地解法:系统允许 Agent 自主编写值守脚本,即使大模型暂时未激活或客户端离线,底层的常驻守护机制仍能全天候持续监听,并在触发关键条件时自主唤醒 Agent 执行任务。
例如,将其配置为“AI 选题助手”后,系统通过微信通道接收长期周期任务,设定在每日固定时段自动抓取最新 AI 新闻、完成信息提炼并推送选题源信息。

同时,系统的多端状态保持一致,不与任何单一应用强绑定,却能统筹全渠道信息。即使在 Comma 客户端内跨端查询 Linear 的进展,系统也能准确定位并汇报:

在记忆管理的底层架构上,Comma 将长期状态持久化保存在模型上下文窗口之外,依靠 Router 与独立 Worker 的分工机制,避免冗长的执行细节污染主对话上下文。
在此基础上,系统将“持续学习”融入产品底层:记录 Agent 的执行成果、人工修正记录与最终验收反馈,将其转化为模型训练数据,用于微调专属轻量模型。
值得一提的是其评估机制:微调后的新模型必须在基准评测中超越上一版本,方能上线部署。例如,原本易将退款申诉误判为 Bug 的 v3 版本模型,在吸收人工修正样本迭代至 v4 后,便能准确识别为账务类问题。
AI生成
该评测体系按月更新数据,逐步将结构化、标准化的成熟工作流下放至专属轻量模型承接,而复杂的开放性任务则继续由前沿大模型处理。这种闭环机制让智能体得以在实践中不断沉淀经验,真正实现系统能力的持续自我迭代。
从 Bridge 到 Comma:长期自主 Agent 的技术演进
回顾 Comma 的架构历程,其技术构想的萌芽早于当前行业热潮。
早在 2026 年 4 月,在 Super-agent 尚未成为广泛讨论的核心词汇时,硅谷华人团队 AFK AI 便确立了明确的技术路线:由一个长期存在的主 Agent 统一汇聚任务,调度多个独立 Worker 执行。
同年 4 月 28 日,团队正式对外公开了 Comma 的前身项目 Bridge。在当时的产品架构设计中,便已清晰确立了 Lead Agent(主智能体)与 Subagents(子智能体)的协同机制。

随后,该技术路径快速推进:
- 5 月 20 日:团队确立“每个群组一个 Router Session”的设计原则;
- 6 月 3 日:常驻主对话与任务委派机制正式上线(约 20 天后,Anthropic 也推出了设计思路相近的 Claude Tag,支持频道内共享 Claude);
- 8 月:实现多 Session 动态切换能力;
- 9 月:引入共享 Session 级别的信息流控制,保障多人协作中的数据安全;
- 9 月 30 日:Comma 正式开源,随后公开了基于 Lean 形式化验证的安全保障框架。
从单主会话、多 Worker 协同,到跨 Session 调度与安全控制,团队历时数月,将架构蓝图逐步转化为经过工程验证的生产力工具。
如果说 DeepSeek 从理论与架构高度勾勒了 Super-agent 的演化方向,那么 Comma 则从产品与工程实践角度提供了具象答卷:一个能够长期陪伴用户、自主协调复杂任务的 Personal Agent,正在成为现实。

见微知著,察势于先。
DeepSeek 与 AFK AI 在底层技术路径上的高度共鸣,实质上是两支团队穿透表层交互形态,对多智能体体系底层瓶颈及实际生产环境痛点所达成的深刻共识。
随着当前 AI 浪潮逐步迈入深水区,行业对 Agent Harness 的关注点正迎来关键跃迁:由单纯的比拼并发任务吞吐量,转向考察系统承接复杂事务体量与实际职责的工程上限。
而先行者的实践表明,让 Agent 在真实业务环境中持续、自主、可靠地运转,正是通往下一代通用智能协同的必由之路。