DeepSeek開源Super-agent架構，實測多任務完成時間減半
nashnova research
DeepSeek首次公開面向工程實踐的AI Agent架構Super-agent，實測中95分位任務完成時間從29.5分鐘降至15.7分鐘——核心思路是讓AI自行管理多條任務線，不再等人逐項下指令。
為甚麼現有的AI Agent不夠用？
單個AI模型處理單項任務的能力已經很強，但瓶頸卡在人的注意力上——一個人通常只能同時跟進3到5個活躍對話。
這意味著→ AI幹活愈來愈快，但人分配任務、檢查結果的速度跟不上，人變成了整條鏈路裡最慢的環節。
Super-agent要解決的正是這個問題：讓AI自己拆任務、自己並行推進，人只管最終結果。
雙層架構怎樣運作？
Super-agent分兩層：上層叫Router（路由器），負責接收訊息、分配任務、維護全局上下文；下層是多個Worker（執行者），各自獨立工作，互不阻塞。
簡單來說＝ Router像一個項目經理，Worker像多個工程師——經理分活，工程師各做各的，誰也不用等誰。
系統還設計了直通機制：例如某個Worker接手了一條GitHub代碼審查，後續新評論可以繞過Router直達該Worker。DeepSeek測試發現，關掉直通後Router決策次數增加約30%，緩存Token消耗增加約37%。
「投機執行」是甚麼意思？
Super-agent引入了投機執行（Speculative Execution）機制——AI在群聊中發現潛在Bug時，會提前在後台嘗試複現和定位。
如果找到可行修復方案就提交結果；如果找不到，就保持靜默，不打擾用戶。
這意味著→ AI不再被動等指令，而是主動預判可能出現的問題並嘗試解決，失敗了也不添亂。
怎樣做到24小時在線不掉鏈子？
DeepSeek把計算邏輯、會話狀態和執行環境三者分離：計算在雲端跑，狀態獨立保存，本地設備離線時雲端Agent仍能維持任務。
系統還配備了一個獨立的Watchdog（看門狗）機制，專門監督其他Agent——若某個Agent陷入無效循環或偏離目標，Watchdog會自動介入修復。
訊息過濾採用兩級機制：先用程序規則篩走無關訊息，再讓大模型判斷剩餘事件是否值得處理，減少不必要的Token消耗。
實測成績到底如何？
DeepSeek模擬了一個包含約300條訊息、20項工作請求的協作環境，對比Super-agent和傳統單Session加Subagent方案，每種配置重複測試5次。
Super-agent任務完成時間中位數12.4分鐘，95分位數15.7分鐘；傳統方案95分位數達29.5分鐘。
簡單來說＝ 最慢的那批任務，Super-agent比傳統方案快了將近一半。
但須留意：架構原型剛發布至GitHub，能否在更大規模、更複雜的真實工程環境中複現這一成績，是外界驗證可行性的關鍵節點。
市场有风险，内容仅供研究参考，不构成投资建议。