DeepSeek发布Super-agent架构 开源原型破解Agent注意力瓶颈

近期，一份技术长文发布，系统拆解了下一代智能体（Agent）的完整技术架构，并开源了原型项目。该方案采用计算机系统的经典工程思想，将会话管理和上下文同步从用户手中接管到底层，让智能体从单次会话工具演进为跨信道持续在线、主动推进任务的自主协作者。随着模型单任务能力不断提升，生产力瓶颈已从模型能力转向人的注意力资源，这套架构正是为了释放用户的注意力而设计。

为什么需要Super-agent

当前主流的智能体大多以单一会话为基本单位，各会话之间相互独立。据观察，一个人通常只能同时跟进3到5个活跃会话，这意味着单任务的上限取决于模型能力，而多任务的上限则卡在人的注意力资源上。Super-agent旨在打破智能体与单次手动会话的绑定，使其成为一个跨会话保持上下文、同时推进多项任务的连续实体，具备四大基础特征：连续、高效、主动、持久。

整体架构：五大模块支撑核心特征

支撑Super-agent四大特征的是五个核心模块：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，面向人的交互保障体验自然，计算、状态与环境的分离搭配Watchdog机制，实现跨设备持久在线与异常自愈。

双层架构：Router统筹，Worker执行

底层的核心矛盾是连续性与吞吐量难以兼得：若将所有事件塞给一个会话，吞吐能力会受限；若为每个事件新开会话，全局上下文又会分散。对此，方案将架构拆分为两层：Router层常驻，统一承接人类交互与任务分派，充当全局的序点、协调点和记忆，仅负责调度不执行，甚至可仅用轻量模型兼顾速度与效果；Worker层由上下文彼此隔离的会话组成，挂载完整工具、配置最强模型，专注完成单一任务。

事件驱动：从被动应答转向主动出击

群聊消息、邮件、日程、代码审查评论、CI结果等环境事件被统称为Trigger。围绕一条Trigger的生命周期，系统设计了四个递进机制：

• 两级过滤：程序层策略作为快速路径，用确定性代码快速筛选，过滤大部分噪音；候选事件再交给语义层慢速路径，由大语言模型按提示词判断是否需要行动。
• 订阅与直通：同一PR、同一话题下的连续事件构成Thread，Worker订阅该Thread后，后续事件由程序直通，无需再经Router转发，全局节点仅负责新任务的冷启动。
• Inline & Spill与链式召回：控制上下文注入密度，将近期可能用到的信息内联进窗口，超长内容则留在窗口外仅保留引用或摘要，按需读取。
• 投机执行：在结果不确定时提前在后台尝试，有价值则交付，无价值则丢弃，例如用户群还在讨论方案时，修复性Pull Request已提前提交。

上下文管理：将窗口作为缓存使用

系统输入从人类逐条提示词变为持续涌入的环境事件，上下文窗口成为稀缺资源。方案借鉴编译优化思想，采用Inline（内联近期信息）和Spill（超长内容溢出）的策略，平衡上下文利用效率与资源占用。

全双工交互、存算分离与Watchdog

在交互层面，方案将经典ReAct Loop改为异步模式，从半双工变为全双工，前台对话与后台执行彻底解耦，会话可在后台执行任务时响应新输入。存算分离方面，Agent Loop的计算放在云端无状态弹性容器，会话状态存入数据库；重状态的执行环境留在端侧，仅运行轻量守护进程。Watchdog机制则作为外部控制回路，不仅监控进程存活，还会用模型判断Worker的进展与方向，支持自然语言修正主系统规则。

实验数据：更快更稳，代价是更多Token

消融实验采用群聊和CI消息流驱动四种方案，单次实验约300条消息，其中20条为工作请求，每种方案重复5次。Super-agent的任务完成时间p50/p95分别为12.4/15.7分钟，显著优于单会话加子智能体工具的方案，后者因依赖提示词和模型判断，中性提示下多次未委派子智能体，p95高达29.5分钟。代价方面，Super-agent单次实验读缓存token约2323万，高于单会话方案的605万，但直通机制可减少约37%的token消耗。Router层的批处理压测显示，事件到达速率从每分钟1条提升到40条时，平均batch从1.0升至2.8，单次请求耗时仅从2.5秒增至3.9秒，单个决定分摊的推理时间从6.4秒降至1.6秒，单个常驻Router即可应对当前团队规模的需求。

结语

随着模型单任务能力增强，生产力瓶颈正从模型转向人的注意力，Super-agent的思路是让系统在底层接管会话管理与上下文同步，将人解放到更高层的决策与验收环节。