DeepSeek 超级智能体:双层架构让 AI 指挥 AI
DeepSeek 公布 Super-agent 架构,以双层设计、事件驱动、异步多信道、存算分离和外部 Watchdog,让智能体跨会话保持上下文,并行推进复杂任务。拆解“AI 指挥 AI”的思路,附事件路由示例,并梳理可靠性与协作边界。
文章目录
10 月 31 日晚间,DeepSeek Harness 团队在官方公众号发表技术文章《Super-agent 设计探索:迈向更自主的 Agent 系统》。这次值得看,不只是因为 DeepSeek 又提出了一套 Agent 设计,而是因为它瞄准了个人助手的现实瓶颈:模型能力提升催生个人助手,但现有主流 Agent 仍难支撑多任务与团队协作,任务上限往往取决于人的注意力。
Super-agent 想把 Agent 从一次手动会话里释放出来:跨会话保持上下文,同时推进多项复杂任务且互不干扰。围绕这一目标,摘要给出了双层架构、事件驱动、异步多信道、存算分离与外部 Watchdog。最值得带走的不是某个框架名,而是从“聊天机器人”转向“持续运行的任务系统”的判断。
1、Super-agent 的核心:从“接单”走向“派单”
1、Super-agent 的核心:从“接单”走向“派单” · AI 生成示意图
所谓“AI 指挥 AI”,可以理解为一种控制关系:一个持续存在的上层智能体把目标拆成任务或事件,再交给不同执行路径异步推进。它描述的是系统职责的重新分配,不是模型突然拥有意识。具体角色协议与交接机制仍应以原文为准。
单会话 Agent 通常围绕一轮请求与响应工作,人离开后,进度延续、并发推进和异常处理很容易重新依赖人。Super-agent 则把 Agent 视为连续实体,让它在后台保持上下文并协调多项任务。自主性的关键不是多开几个模型实例,而是把持续推进机制做进系统。
2、双层架构:把目标统筹与基础执行分开
2、双层架构:把目标统筹与基础执行分开 · AI 生成示意图
双层架构可以理解为“目标统筹”和“基础执行”的分离。从摘要透露的方向看,底层接管繁琐的会话管理与上下文工作,上层更适合处理任务分解和协作调度。这样,上层不必陷进每次交互的细节,执行层也能保持相对清晰。
但摘要没有展开每层的具体组件、接口和调用关系,不能替官方补全。**真正值得关注的,是分层后系统能否保持状态一致、任务隔离和可追踪性。**这些判断仍应以原文为准。
| 对照项 | 常见单会话 Agent | Super-agent 的目标 |
|---|---|---|
| 工作单位 | 一次手动会话 | 跨会话持续存在的任务实体 |
| 上下文 | 围绕当前会话 | 持续保持任务上下文 |
| 并行方式 | 多任务常受人的注意力约束 | 多项复杂任务并行且互不干扰 |
| 交互组织 | 请求—响应式 | 事件驱动、异步多信道 |
| 状态管理 | 常与当前执行过程耦合 | 存算分离,便于延续状态 |
| 异常守护 | 依赖当前调用链 | 引入外部 Watchdog 监督 |
3、事件驱动:让多项任务异步推进
事件驱动把“谁该做什么”从固定同步链路变成事件与处理器的对应关系。任务状态变化后发出事件,对应处理器异步接手;增加任务或交互渠道时,也不必把所有路径重新串在一起。它更适合多任务持续推进,而不是让用户守着一条会话等回复。
异步多信道进一步解决信息拥堵:开始、进度、结果与异常不必都挤在同一条消息流里,多项工作也能并行且互不干扰。对个人助手而言,这意味着系统可以在后台组织工作,用户只在需要时介入。
4、存算分离与 Watchdog:自主性需要护栏
跨会话保持上下文,不能只靠模型“记得”。存算分离通常意味着执行计算与任务状态分开存放,让状态不必随某个会话或执行实例一起消失。具体状态模型、存储方式和迁移策略,摘要未展开,以原文为准。
外部 Watchdog 则是自主性的护栏。它通常从系统外侧检查运行是否卡住或异常,再触发相应处理;具体检测项和动作以原文为准。自主性越强,越需要可观察、可中止、可接管的边界,而不是让任务无限运行。
5、最小示例:理解事件路由如何工作
下面用一个最小 Python 示例理解事件路由与任务隔离。它不是 DeepSeek 官方实现,也没有覆盖持久化存储和外部 Watchdog;生产化细节请以原文为准。示例只依赖标准库,可用 Python 3.9 及以上版本运行。
import asyncio
from dataclasses import dataclass, field
from typing import Awaitable, Callable
@dataclass(frozen=True)
class Event:
task_id: str
topic: str
payload: dict[str, str] = field(default_factory=dict)
class EventBus:
def __init__(self) -> None:
self.handlers: dict[str, list[Callable[[Event], Awaitable[None]]]] = {}
self.history: dict[str, list[Event]] = {}
def on(self, topic: str, handler: Callable[[Event], Awaitable[None]]) -> None:
self.handlers.setdefault(topic, []).append(handler)
async def publish(self, event: Event) -> None:
self.history.setdefault(event.task_id, []).append(event)
for handler in self.handlers.get(event.topic, []):
await handler(event)
async def plan(event: Event) -> None:
await asyncio.sleep(0.01)
text = event.payload['text']
print(f'[规划] {event.task_id}: {text}')
async def report(event: Event) -> None:
await asyncio.sleep(0.01)
text = event.payload['text']
print(f'[进度] {event.task_id}: {text}')
async def main() -> None:
bus = EventBus()
bus.on('task.started', plan)
bus.on('task.progress', report)
await asyncio.gather(
bus.publish(Event('research', 'task.started', {'text': '整理资料'})),
bus.publish(Event('draft', 'task.progress', {'text': '生成草稿'})),
)
print(f'[任务数] {len(bus.history)}')
count = len(bus.history['research'])
print(f'[research 事件数] {count}')
if __name__ == '__main__':
asyncio.run(main())
运行后会看到两个任务分别触发“规划”和“进度”处理。这里用内存历史展示任务状态,实际系统通常还需要持久化、权限控制、失败恢复和人工接管。代码验证的是解耦思路,不是对官方架构的逐行复刻。
写在最后
- Super-agent 的核心,不是把一次回答做得更长,而是让任务跨会话持续存在。
- 双层架构、事件驱动和异步多信道,为多任务并行提供了组织方式。
- 存算分离与外部 Watchdog,分别补上状态延续和运行守护。
- 对工程团队来说,难点已从“能不能做”转向“如何隔离、追踪与接管”。
我的判断:Super-agent 真正推动的,是 AI 产品从一次性工具走向持续执行者;能否落地,取决于自主性与可控性能否同时成立。