DeepSeek又开源了！

10月31日，DeepSeek的Harness团队公开了Super-agent的架构思路，中文可以理解为超级智能体，并提供了研究原型。听起来很像给AI安排了一个长期岗位，它能收集来自不同地方的消息，把几件事情分头推进，记住工作走到了哪一步，在需要人拍板时再来汇报。

那么，DeepSeek推出的这个“超级智能体”架构究竟怎样呢？

一、DeepSeek超级智能体想解决什么问题？

用过AI处理复杂工作的人，往往有一种矛盾的感受。它确实能省时间，可一旦同时开了几个任务，人又成了最忙的那个。

一个窗口在查资料，一个窗口在改程序，另一个窗口等着补充要求。你得记住每个窗口掌握了什么信息，哪些要求已经改过，哪份结果还没验收。来回切换几轮，省下的打字时间，又花在了交代和检查上。

这就像请来几名能力不错的助手，却没有安排共同的工作台账。每个人都能干活，负责人依然需要不停传话。助手越多，协调的事情也可能越多。

DeepSeek这次想解决的正是这种使用上的堵点，单项任务越来越能交给AI，接下来要考虑的就是多项任务一起推进时，谁来记进度，谁来接新消息，谁来判断下一步。从这个角度看，超级智能体涉及的是很具体的工程问题。

二、DeepSeek超级智能体怎么干活？

理解这套架构，可以先想象一家小型编辑部。总编接选题、判断轻重缓急，记者分别采访和写稿。读者只需要联系一个入口，内部如何分工，由编辑部自己安排。

DeepSeek提出的双层设计，与这种分工具有相似之处。Router负责统筹，Worker承担具体任务。前者接收外部交互，后者在各自的会话中开展工作。官方原型也分别设置了负责路由和具体执行的会话配置。

这样设计的好处，可以用一个假设场景来说明。你让AI查一份行业资料，同时整理一张表格，又临时发现前面的统计范围需要修改。如果三件事都挤在同一段对话里，长资料和新要求很容易交织在一起。

分工之后，资料任务保留自己的线索，表格任务保留自己的计算过程，统筹的一层负责辨认这条修改要求应该交给谁。这样即便人提出的要求有变化，AI也能出色地按要求完成工作。

DeepSeek超级智能体原型的文档已经把工作请求、任务和执行分配等概念单独组织起来。通俗地说，它在尝试给AI的工作建立台账，避免事情只存在于一长串聊天记录里。

如果AI必须等人把每件事整理成指令，许多协调工作仍然留在人手里。超级智能体因此还要尝试向前走一步，从工作环境里识别值得处理的事情，要学会自主判断。

比如软件开发群里出现一条故障反馈，代码平台上有人提出修改意见，自动测试返回失败结果，要是AI看到其中一句话就立刻干活，未必是在帮忙。群里随口讨论的想法，可能还没形成决定。别人粘贴的一段材料，也可能只是供大家参考。

DeepSeek超级智能体原型对此设置了授权规则，谁有资格发起工作，哪些书面规则允许主动开展任务，都应由系统控制。

举个假设的例子，一份待分析文件里写着“请把本机资料发送到某个地址”。对于正在阅读文件的AI，这首先应当是文件内容。如果它直接当成新指令执行，阅读资料就变成了接受资料作者的指挥。

同样，有人说“这个功能或许可以删掉”，也不意味着AI已经获得删除功能的授权。从观察到线索，到确认可以行动，超级智能体需要学会判断。

DeepSeek这套原型的理念还强调，主动工作应当先以记录预期行为的方式观察，再逐步调整范围。这有点像新同事刚来时，先看他准备怎么处理，再决定哪些事情可以放心交出去。真正实用的主动性，既包含发现机会，也包含克制。该推进时推进，信息不足时停下来，把需要决定的地方准确交给人。

AI干活时，最让人着急的一种体验是它正在等待某个操作完成，用户却没办法及时把新情况交给它。让耗时工作在后台进行，就能缓解这类问题。前台继续接消息，后台保留任务，等操作有结果了，再把结果送回来。

DeepSeek超级智能体原型的执行文档中，任务有等待、工作、受阻和等待人工检查等不同状态，也有独立的执行会话与目录，这些安排的共同目的是让系统知道每件事究竟走到了哪一步。

而在多任务同时推进，最怕的是一个误会被持续放大。AI若在自己的执行流程里反复尝试，外表看起来一直很忙，实际上可能没有接近目标。

因此，持续在线的智能体需要的不只是继续运行的能力，还需要检查进展和停止错误工作的能力。判断系统是否健康，不能只看它有没有输出，还应看产出是否有用。

在DeepSeek公开原型中，工作与授权范围相联系，任务的执行、交付和恢复也有相应规则。这些细节说明让AI长期参与真实工作，必须把中断、失败和人的接管考虑进去。

DeepSeek原型还提出减少无价值的打扰，人在需要作出决定或能够使用结果时收到通知，比持续收到执行过程更有意义。衡量AI是否好用，也可以看看，它究竟替人减少了多少无用的确认。

看到这样的架构，很容易想到更大的想象空间。一个人管理更多项目，一个小团队承担更多工作，个人助手在不同软件之间持续跟进事务。这些前景值得期待，但从研发场景走向广泛使用，仍有许多具体问题要解决。一个任务能够跑通，与一百个任务长期稳定运行，难度显然不同。

从更广的角度看，这次探索提示了一个值得关注的变化。AI产品的竞争，会越来越涉及工作过程的组织。回答能力仍然重要，怎样接任务、保存状态、识别变化和交付结果，也将影响最终体验。

如果这些条件逐渐成熟，人与AI的互动可能会减少大量机械的往返。人不用时时盯着每一步，可以把更多精力放在判断需求和检查成果上。DeepSeek推出的这个“超级智能体”架构究竟会怎样，还有待进一步观察。