10 月 31 日，DeepSeek Harness 团队发表技术文章《Super-agent 设计探索：迈向更自主的 Agent 系统》，介绍一套正在探索中的 Super-agent 架构。按照 DeepSeek 的设想，未来的 AI Agent 不再局限在单个聊天窗口，而是能够持续在线、同时处理多项任务，并根据外部环境变化主动采取行动。这不是正式产品发布，部分设计已通过开源原型实现。
群里没人艾特，Agent 自己动手
DeepSeek 已经基于 DeepSeek Harness 构建了一套内部 Super-agent 实例，用在日常研发协作上。当团队成员在群聊里反馈软件问题时，即使没有人主动艾特 AI，它也能识别潜在缺陷，在后台尝试复现问题、寻找修复方案，甚至直接提交 GitHub Pull Request，等待开发人员审查。同一项开发任务可以在群聊与 GitHub 之间连续推进，开发者先在群聊里确定方案，随后在 GitHub 评论中修改要求，Agent 能理解前后变化并调整执行方向。架构上由持续运行的 Router 统一接收群聊、邮件、GitHub 评论与 CI 结果，判断任务如何分配并维护跨任务上下文，群聊消息等事件均可作为触发行动的 Trigger。
从单点工具到常驻同事
这条路线的关键差别在于触发方式。常规 Coding Agent 需要人显式发起任务，而 Super-agent 试图把主动发现缺陷与后台执行变成默认行为，代价是对系统的权限与可靠性要求更高。论文中的对照实验模拟群聊与 CI 消息流，单次输入约 300 条消息、其中约 20 条是真实工作请求，Super-agent 的任务完成时间 p50 为 12.4 分钟、p95 为 15.7 分钟，而采用中性提示词的传统单 Session 方案 p95 达 29.5 分钟，代价是缓存读取 Token 更高，以及持续接收外部消息带来的提示词注入风险。过去一年以 Coding Agent 为代表的 AI 工具已能独立阅读代码、定位 Bug、运行测试甚至完成复杂开发任务，但它们大多仍停留在等待指令的形态。DeepSeek 选择先在内部研发协作中跑通这条路径，与它在推理框架与开源路线上的一贯做法一致，相关的框架与接口设计，可参照DeepSeek 开源框架 DeepInfer。
延伸阅读
- DeepSeek 撤回 V4 Pro 强制迁移计划：将继续保留服务，价格不变2 月前
- AI写算子登顶双榜：ForgeKernel加速1.835倍1 周前
- TinyFish 公开搜索架构：完成率 79.0%，单任务成本 5 美分1 周前
- OpenAI Code Studio 发布：动动嘴就能造 Game Boy 游戏1 月前
继续读
同一批更新里这几篇值得一看：
- 支付宝 AHA 获新耀奖：互联落地 6 类终端千余场景2026-11-03
- 卡帕西两小时复刻 YouTube：6454 个 HN 推荐视频成站2026-11-02
- 《我的世界》测 50 个 GPT-6.1 智能体：三小时未建文明2026-11-02