note

• DeepSeek Super-agent 的核心不是让单个 Agent 更聪明，而是让 Agent 系统更自主。它通过Router + Worker + Event-Driven + Async ReAct + Memory + Watchdog，将传统的被动式 Agent 转变为能够主动接收任务、并行执行、管理上下文、持续运行的智能体系统。
• 研究背景：传统 Agent 依赖用户主动发起任务，需要人工管理多个 Session、跟进执行进度，难以实现长期自主工作。DeepSeek 提出 Super-agent，目标是让 Agent 主动感知事件、调度任务、并行执行并持续运行。
• 核心方法
  • Router + Worker 双层架构：Router 负责事件路由、任务调度和全局状态管理；多个 Worker 在独立 Session 中并行执行任务。
  • Event-Driven + Async ReAct：监听 GitHub、IM 等外部事件，自动触发任务；通过异步执行避免耗时工具调用阻塞，Worker 订阅机制减少重复路由。
  • 长期上下文管理：采用 Inline / Spill 分层存储与 Chain of Recall，保留关键摘要和引用，按需恢复历史上下文，降低 Token 开销。
  • Watchdog 监督机制：独立监测任务停滞、执行异常及目标偏离，支持诊断与恢复。
• 实验结果：初步实验中，任务完成时间 P50/P95 分别为 12.4/15.7 分钟；移除 Worker 订阅机制后，Router 决策量增加约 30%；批处理使分摊推理时间由 6.4s 降至 1.6s。
• 技术启发：Super-agent 属于 Agent Harness / 系统架构创新。核心价值是将被动单任务 Agent 升级为主动、异步、多任务协同的持续运行系统。

一、研究背景：从被动 Agent 到主动 Agent

文章来源：DeepSeek Harness Team，《Super-agent 设计探索：迈向更自主的 Agent 系统》（2026.10.31）
开源代码：dsh-superagent-prototype

当前主流 Agent（如 Coding Agent）通常采用被动交互模式：

用户提出任务 → Agent 执行 → 返回结果 → 等待下一次指令

但真实工作往往涉及多个并行任务，例如代码开发、Bug 修复、PR Review 和消息跟进。用户需要手动创建多个 Session、分配任务、检查执行进度，并不断切换上下文。

DeepSeek Super-agent 希望将这些管理工作也交给 Agent，实现从「人管理 Agent」到「Agent 自主管理任务」的转变。

其核心目标不是提升单个模型的推理能力，而是构建能够主动响应事件、长期运行、并行执行任务、自主管理上下文的 Agent 系统。

• Super-agent 具备以下四个基础特征：
  • 连续：用户可以直接在 IM 聊天、GitHub 评论等熟悉的工作界面与它交互，感觉始终只存在一个 Agent，不需要去想“Session X 的上下文中是否有 Y 信息”。例如，用户先在 IM 上提出采用方案 A、随后在 GitHub Pull Request 评论里改为方案 B，它能理解并调整执行方向。
  • 高效：交互响应迅速，同时能并行、高质量地完成多个复杂任务。无需等上一个命令或任务完成，就能接受下一条指令。
  • 主动：无需等待用户逐条下达指令，能持续观察环境事件并主动推进值得处理的事项，不需要介入时则保持安静。
  • 持久：始终在线、直接接入用户真实的工作环境，并在长期运行中遇到异常时自动恢复。

完整总结：

二、核心架构：Router + Worker 双层设计

支撑四大特征的是五个模块：双层架构兼顾连续交互与高效并发，事件驱动实现主动响应，面向人的交互让体验自然，计算、状态与环境的分离加上 Watchdog 实现跨设备持久在线与异常自愈。

【配图：使用原文 Router–Worker 总体架构图】

Super-agent 采用两层架构：

• Router Agent（调度层）：负责接收外部事件、判断任务意图、分配 Worker、维护全局状态，以及统一与用户交互。
• Worker Agent（执行层）：负责具体任务执行，每个 Worker 拥有独立 Session，可以调用工具、操作环境或创建 Subagent。

例如，系统同时收到 GitHub Bug、PR Review 和新功能开发请求：

用户 / 外部事件 │ ▼ Router Agent │ ┌───────────┼───────────┐ ▼ ▼ ▼ Worker A Worker B Worker C 修复 Bug Review PR 开发功能 │ │ │ └───────────┼───────────┘ ▼ Router 汇总结果 │ ▼ 必要时通知用户

关键设计：Router 负责调度，Worker 负责执行。避免单个 Agent 同时承担所有任务，造成上下文膨胀和执行阻塞。

双层架构：Router 统筹，Worker 干活

三、五个关键技术机制

3.1 Event-Driven：事件驱动的主动执行

传统 Agent 依赖用户主动提问，而 Super-agent 可以监听 GitHub、IM、邮件、CI 等外部事件。

执行流程为：

外部事件 → 规则过滤 → Router 判断 → 分配 Worker → 执行 → 结果反馈

其中，系统支持Thread Subscription（线程订阅）：某个 Worker 一旦负责特定任务或讨论线程，后续相关事件可以直接路由到该 Worker，避免 Router 重复判断。

这使 Agent 从被动响应转向事件驱动的持续工作。

3.2 Async ReAct：异步执行与非阻塞交互

传统 ReAct 通常按照：Reasoning → Tool Call → 等待结果 → Reasoning顺序执行。当工具调用耗时较长时，Agent 容易被阻塞。
Super-agent 探索异步执行机制，将长时间运行的任务交给独立 Worker，让 Router 继续处理其他事件。
例如，Worker A 正在运行耗时较长的测试，Router 仍可以接收新任务并启动 Worker B。

本质上是将 Agent 的推理控制流与长时间执行任务解耦，提高并发处理能力。

3.3 Inline & Spill：长期上下文管理

【配图：原文 Inline / Spill 与 Chain of Recall 示意图】

长期运行的 Agent 会积累大量任务、消息和执行轨迹，如果全部放入 Context Window，会造成 Token 成本增加、上下文污染和信息检索困难。

Super-agent 使用类似分层存储的设计：

• Inline：在当前上下文保留重要摘要、任务状态和引用标识。
• Spill：将完整历史、日志和任务细节存储在外部系统。
• Chain of Recall：通过 Thread ID、Worker Session ID 等关联信息，按需逐层恢复历史上下文。

例如：新 GitHub 评论 → 找到 PR Thread → 找到对应 Worker → 恢复历史执行状态
因此，Agent 不需要始终携带所有历史，而是通过结构化引用按需检索。

3.4 状态与执行环境解耦

Super-agent 将长期状态管理与实际任务执行环境分离。
Router 可以持续运行在云端，而 Worker 根据任务需要使用不同执行环境，例如远程容器或本地工作空间。

这样可以实现：

• Agent 长期在线，不依赖单个交互窗口；
• 不同任务使用独立环境，减少相互干扰；
• 任务状态与执行环境分离，便于恢复和迁移。

这更接近一个持续运行的分布式任务系统，而不是传统的单轮聊天 Agent。

3.5 Watchdog：独立监督与异常恢复

长期运行的 Agent 可能出现死循环、工具调用失败、执行停滞或任务偏离目标。

Super-agent 引入独立的Watchdog 监督机制，持续检查 Worker 的运行状态与任务进展。
当检测到异常时，可以触发提醒、诊断或恢复流程，降低人工持续监控的需求。
需要注意，Watchdog 并不保证 Agent 一定能够自主修复所有错误，而是为长时间执行提供额外的可观测性和恢复能力。

四、实验结果

文章报告了初步系统实验，重点验证任务调度与执行效率。

这些结果主要说明，Worker 订阅直通和批处理能够降低 Router 的调度开销。
但它们不能直接证明基础模型推理能力提升，也不足以说明 Super-agent 在所有真实场景中都能达到同样的效率。

五、技术评价与启发

这篇文章的价值主要在于Agent 系统架构整合。Router–Worker、事件驱动、异步执行、分层上下文管理和 Watchdog 都能在传统分布式系统中找到对应思想。DeepSeek 将这些机制组合起来，尝试解决长期运行 Agent 的工程瓶颈。

值得关注的方向包括：

1. 从单任务 Agent 到持续运行的多任务 Agent：不再依赖用户不断发起新 Session，而是由系统主动响应事件。
2. 从单 Agent 推理到多 Agent 调度：Router 专注全局协调，Worker 专注局部任务执行。
3. 从完整上下文注入到按需记忆恢复：通过 Inline / Spill 降低长期运行的上下文成本。
4. 从人工监控到系统级监督：使用 Watchdog 提高 Agent 长时间执行的可靠性。

对于多模态 Agent，可以进一步探索事件驱动的视频理解任务调度、异步工具调用，以及跨 Session 的长期多模态记忆管理。

六、总结

**DeepSeek Super-agent 的核心不是让单个 Agent 更聪明，而是让 Agent 系统更自主。**它通过Router + Worker + Event-Driven + Async ReAct + Memory + Watchdog，将传统的被动式 Agent 转变为能够主动接收任务、并行执行、管理上下文、持续运行的智能体系统。

从研究定位看，这是一项Agent Harness / 系统架构层面的探索，对长期运行的 Coding Agent 和复杂任务自动化具有参考价值，但与模型后训练、Agentic RL 和 RSI 自进化算法属于不同技术层次。

官方开源的是研究原型，并非文章中全部设计的完整生产级实现。

Reference

[1] DeepSeek开源Super-Agent技术架构
[2] Super-agent 设计探索：迈向更自主的 Agent 系统
[3] https://github.com/deepseek-ai/dsh-superagent-prototype