【Agent】DeepSeek Super-agent：迈向主动、持续运行的多Agent系统

noteDeepSeek 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。文章目录note一、研究背景从被动 Agent 到主动 Agent二、核心架构Router Worker 双层设计三、五个关键技术机制3.1 Event-Driven事件驱动的主动执行3.2 Async ReAct异步执行与非阻塞交互3.3 Inline Spill长期上下文管理3.4 状态与执行环境解耦3.5 Watchdog独立监督与异常恢复四、实验结果五、技术评价与启发六、总结Reference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。外部事件 TriggerGitHub / 飞书 / 邮件 / CI程序规则过滤Router Agent判断要不要处理、交给谁Worker A修复 BugWorker B代码审查Worker C开发功能状态 / 结果统一向用户汇报只在需要时打扰Watchdog检查卡死、失败、偏离目标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。指标实验结果任务完成时间 P5012.4 分钟任务完成时间 P9515.7 分钟移除 Worker Thread SubscriptionRouter 决策量增加约 30%Router 批处理优化分摊推理时间约 6.4s → 1.6s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。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。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。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