DeepSeek 开源 Super-agent 原型：当 AI 开始「常驻」而非「应答」

10 月 31 日，DeepSeek 开源其 Personal Agent 系统「Super-agent」的设计与原型（仓库 deepseek-ai/dsh-superagent-prototype），中文标题《迈向更自主的 Agent 系统》。这是本季度开放权重阵营在 agent 架构层的又一次重要输出——此前我们报道过 DeepSeek 的搜索/抓取 API（10/19）、V4.1-Flash-1017 点更新（10/17）与推理框架 DeepInfer（10/21），这次补上了「agent 怎么组织」这一块。

架构：两层 + 一个看门狗

Super-agent 的骨架是 Router（路由层）+ 多个 Worker（执行层）：Router 负责接收事件、分配任务、维护全局上下文；Worker 各自并行执行具体任务。系统还支持跨会话连续性、事件订阅与直接投递。

几个设计细节值得留意，它们对应的是当前 agent 系统最常见的失效模式：

• 投机执行（Speculative Execution）：在确认是否真要动作之前，先行往前做——用「可能需要执行」的判断提前推进，把串行等待压掉；
• 两阶段事件过滤：先粗筛再细筛，直接目的是减少 token 消耗；
• 异步 ReAct 循环：推理与执行解耦，agent 不必阻塞在一次交互上；
• 计算、状态、执行三类环境分离：为云端常驻运行提供隔离基础；
• 独立 Watchdog：专门监测失败、循环与目标漂移（goal drift）——「agent 悄悄偏离了用户本意」是自治化后最难防的一类问题，这里被单列为一个组件。

此外，官方描述它能在用户未明确要求的情况下发现并处理缺陷，包括主动提交修复 PR；还能跨 IM、GitHub、邮件等平台串联对话。

数字与它的含义

官方模拟中的对比：Super-agent 完成任务的中位耗时 12.4 分钟、95 分位 15.7 分钟；对照传统单会话模式在中性提示下的 95 分位 29.5 分钟——尾延迟近乎减半。

这个指标比「平均快多少」更能说明问题：agent 系统的落地成本，往往由长尾任务决定（一个卡住的任务会拖垮整个流水线）。把中位与 P95 都压到 15 分钟以内，意味着它开始适合放进有明确 SLA 的业务流程里。

对企业的启示

其一，「常驻 agent」正在从产品概念变成可下载的架构。 过去两年我们看到的所有 agent 演示，基本都是「你提问、它做一件事」；Super-agent 的事件订阅、跨会话连续性与自动缺陷处理，代表的是另一种形态——agent 在你的系统里持续存在、盯着、并在需要时动手。企业架构师现在可以开始认真评估这种形态：它对应的是「运营自动化」，而非「问答自动化」。

其二，Watchdog 组件值得单独抄作业。 自治系统的风险不在能力上限，而在失控的边缘——循环、失败未报、目标漂移。任何自建 agent 的团队都该有独立于主 agent 的监视与终止机制，而不是指望主 agent 自我约束。这与我们此前报道的 NVIDIA OpenShell（内核级强制 + 策略变更形式化验证）、Anthropic 使用政策里的 agent 物理行动条款，指向同一类工程实践。

其三，注意它目前仍是原型。 官方未公布许可条款（开源协议待确认），跨平台权限模型、失败恢复的工业级可靠性、以及与真实 IM/邮件系统的对接安全性，都需要在生产环境里验证。ProMen 在为客户评估 agent 落地路径时，建议按「先单点闭环、再扩事件订阅」的顺序推进——先让一个 Watchdog 可见的流程跑通，再考虑常驻。