DeepSeek开源Super-agent架构，实测多任务完成时间减半
nashnova research
DeepSeek首次公开面向工程实践的AI Agent架构Super-agent，实测中95分位任务完成时间从29.5分钟降至15.7分钟——核心思路是让AI自己管理多条任务线，不再等人逐项下指令。
为什么现有的AI Agent不够用？
单个AI模型处理单项任务的能力已经很强，但瓶颈卡在人的注意力上——一个人通常只能同时跟进3到5个活跃对话。
这意味着→ AI干活的速度越来越快，但人分配任务、检查结果的速度跟不上，人变成了整条链路里最慢的环节。
Super-agent要解决的就是这个问题：让AI自己拆任务、自己并行推进，人只管最终结果。
双层架构怎么运转？
Super-agent分两层：上层叫Router（路由器），负责接收消息、分配任务、维护全局上下文；下层是多个Worker（执行者），各自独立干活，互不阻塞。
用大白话说＝ Router像一个项目经理，Worker像多个工程师——经理分活，工程师各干各的，谁也不用等谁。
系统还设计了直通机制：比如某个Worker接手了一条GitHub代码审查，后续新评论可以绕过Router直达该Worker。DeepSeek测试发现，关掉直通后Router决策次数增加约30%，缓存Token消耗增加约37%。
"投机执行"是什么意思？
Super-agent引入了投机执行（Speculative Execution）机制——AI在群聊中发现潜在Bug时，会提前在后台尝试复现和定位。
如果找到可行修复方案就提交结果；如果没找到，就保持静默，不打扰用户。
这意味着→ AI不再被动等指令，而是主动预判可能出现的问题并尝试解决，失败了也不添乱。
怎么做到24小时在线不掉链子？
DeepSeek把计算逻辑、会话状态和执行环境三者分离：计算在云端跑，状态独立保存，本地设备离线时云端Agent仍能维持任务。
系统还配了一个独立的Watchdog（看门狗）机制，专门盯着其他Agent——如果某个Agent陷入无效循环或偏离目标，Watchdog会自动介入修复。
消息过滤采用两级机制：先用程序规则筛掉无关消息，再让大模型判断剩余事件是否值得处理，减少不必要的Token消耗。
实测成绩到底怎么样？
DeepSeek模拟了一个包含约300条消息、20项工作请求的协作环境，对比Super-agent和传统单Session+Subagent方案，每种配置重复测试5次。
Super-agent任务完成时间中位数12.4分钟，95分位数15.7分钟；传统方案95分位数达29.5分钟。
用大白话说＝ 最慢的那批任务，Super-agent比传统方案快了将近一半。
但需要注意：架构原型刚发布至GitHub，能否在更大规模、更复杂的真实工程环境中复现这一成绩，是外界验证可行性的关键节点。
市场有风险，内容仅供研究参考，不构成投资建议。