☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
DeepSeek Harness 团队于微信公众号发布深度技术文章《Super-agent 设计探索：迈向更自主的 Agent 系统》，同步开源实验性原型 dsh-superagent-prototype（采用 MIT 协议）。官方明确强调，该项目定位为面向工程实践的研究型原型，而非开箱即用的产品。但文中一个细节尤为引人注目——其内部已部署运行的实际案例，正持续参与缺陷复现与代码审查任务；甚至无需被群内成员 @，也能主动感知潜在 bug 并在后台自动完成复现。
真正制约多任务处理能力的，是人，而非模型
当前主流 Agent 架构仍以单 Session 为基本单元，各会话之间彼此孤立、无法协同。当用户希望并行推进多项事务时，只能频繁切换窗口、手动维护上下文记忆。团队通过实际观察发现：普通人通常仅能稳定跟踪 3 至 5 个活跃会话。由此形成明显悖论——单任务性能上限取决于模型能力，而多任务效率瓶颈却牢牢卡在人类注意力资源上。Super-agent 的核心目标，正是打破这一桎梏。
一个中枢调度器，搭配一群专注执行的“手”
系统采用清晰的双层架构分工：前台常驻轻量级 Router 模块，负责用户交互、意图理解与任务分发，对模型能力要求较低；每个具体任务则由独立的 Worker 实例承载，拥有隔离的上下文环境，并可调用最强可用模型进行并行处理，结果完成后统一回传至 Router。整套机制进一步融合事件驱动范式、存算分离设计以及 Watchdog 实时监控模块——一旦某项任务异常卡顿，系统将自动识别并触发修复流程。在压测场景中（约 300 条消息混杂 20 项并发请求），该方案 P50 响应时间为 12.4 分钟，P95 为 15.7 分钟；相比之下，传统单 Session 方案的 P95 高达 29.5 分钟。
成本优势同样显著——V4-Pro 模型每百万 token 定价约为 1.32 / 3.96 美元，较 GPT-5.5 和 Opus 5.5 低一个数量级。当多任务承载能力的天花板，从“人类注意力极限”跃迁至“系统吞吐能力”，Agent 才真正迈出聊天界面，走向真实生产力场景。
