DeepSeek开源Super-agent，AI开始自己给AI派活，Agent竞争有了新方向
一个程序员同时指挥五个AI干活，会是什么体验？一个修Bug，一个写代码，一个跑测试，另外两个推进别的项目。看上去人手翻倍，现实却是人在五个窗口之间来回切换，记住每个任务走到哪一步、哪个需求刚变过、哪个AI还缺信息。代码不用自己写了，人却成了五个AI的项目经理。
10月31日晚，DeepSeek Harness团队发布技术文章《Super-agent设计探索：迈向更自主的Agent系统》，并同步开源Super-agent技术原型。与过去接到指令再执行任务的Agent不同，这套系统希望让AI自己分配工作、主动发现问题，并持续跟进任务。目前，DeepSeek已将它用于内部研发，参与Bug复现与修复、代码审查等实际工作。
程序员被五个AI拖成项目经理
Coding Agent已经能独立写代码、修Bug、运行测试，甚至完成一些复杂开发任务。但单个AI越能干，多个AI一起工作时，协调问题反而更突出。
- 一个Agent负责开发功能，另一个修Bug，第三个检查代码；
- 工作群出现新需求，GitHub收到修改意见，程序员仍要逐一同步信息、跟进进度；
- 每个Agent都能完成自己的任务，却没有跨会话的统一协调机制。
DeepSeek Harness团队在技术文章中指向一个关键原因：当前Coding Agent大多以Session（会话）为中心开展工作，每个Session通常只负责自己的任务，缺少跨会话的统一协调。AI的能力在增长，人的注意力却被切得更碎。
Super-agent要解决的，正是这层“管理开销”：不再事事等待程序员安排，而是让系统接收消息、判断任务归属、分派给不同的AI，并让任务持续往前走。
Router给AI派活，Worker带着上下文干活
Super-agent采用Router–Worker双层架构。Router相当于调度员，负责接收消息、判断任务归属、维护跨任务联系，并统一向用户回复；Worker负责具体执行，可以独立调用工具、修改代码、运行测试，必要时还能调用子Agent。
这套设计有几个直接变化：
- 派活的从人换成AI。 支付Bug交给一个Worker，代码审查交给另一个Worker，原本正在进行的功能开发继续推进。不同任务拥有独立上下文，可以同时开展工作。
- Worker接手后不必每次重新分配。 后续相关消息可以直接发送给对应Worker，不必每次都经过Router转发。
- Router不直接下场干活。 设计上甚至可以不给Router命令行工具，避免它自己修代码、跑测试后，新请求又排队等它。
- 调度和执行可以用不同模型配置。 Router的工作未必需要最强模型，较轻量模型往往就能兼顾速度和效果；直接影响代码质量的Worker，则更需要能力强的模型。
这意味着，多Agent系统的开销不必通过“每个位置都堆最强模型”来解决。DeepSeek此次探索的重点，是把成熟的工程方法引入多Agent管理，让协作不再完全依赖模型每次自行判断。
从群聊到GitHub，同一件事不再断线
Super-agent官方展示的一个案例，是修改字体设置。用户在群里提出，希望正文、代码、终端分别配置字体。Super-agent提交代码后，用户又补充了字号要求。讨论随后转到GitHub：维护者希望收起过多设置项，设计师继续调整展开方式。最后PR合并，结果再同步回群里。
这件小事暴露出多Agent协作的真问题：信息分散在不同平台，任务却始终是同一项。系统必须认出消息之间的联系。
- 同一条群聊话题、同一份代码评审，都可以形成各自的讨论串；
- 一个Worker可以订阅多个相关讨论串，让分散在不同位置的信息回到同一项工作；
- 消息、讨论串和执行会话建立关联ID，模型可以从当前消息找到所属讨论，再找到执行任务的Worker，沿着关系继续查到另一处代码评审；
- DeepSeek把这称为“链式召回”。
历史越积越多，又不能把所有记录一直塞在模型眼前。DeepSeek提出的办法是：把近期可能用到的信息放进当前上下文，较长或低频使用的内容留在外面，保留摘要和引用，需要时再读取。
这套思路让Agent不再只是一次性会话工具，而是能接住持续变化的工作：需求有人补充，代码有人评审，中间还会报错、暂停、改方向。人把目标和边界说清楚后，AI把这些后续变化接起来，直到交回一份值得审阅的结果。
执行被折叠后，验收力被重新压回人手
Super-agent目前仍是一套有待验证的技术原型，距离成熟应用还有不少挑战。团队自己也强调“并非正式产品”，实验基于合成负载与简化环境，是初步参考。部署仍需自己配置模型和执行环境，并承担调用成本；它采用MIT许可，现阶段更适合开发者研究和试用。执行目录也不等于安全沙箱，官方建议使用专用系统账号运行。
更值得讨论的是人与系统的关系。过去，执行和监督是同一件事的两面：写代码时知道每一行为什么这么写，盯进度时知道卡在哪一步。现在系统把执行折叠进内部，人看到的是一份“已经整理好的结果”。验收的前提，是人仍有能力判断结果对不对。可当过程不再经过人的手，这种判断力从哪里来？
Super-agent的哲学文档里写了“尽可能少占用人注意力”，也设计了“未完成成果明确标注”“需要决策时结构化提问”等机制。但“减少信息过载”和“保留可审计性”之间有一条很窄的缝。一个系统在20项请求上跑通，和在2000项并发请求上不漂移、不失控、每一份结果都能追溯到依据，是两种难度。
更底层的张力在于：当Agent系统开始自己拆任务、自己派活、自己推进，人的“决策”就不再只是“告诉AI做什么”，而是“判断AI选的方向对不对、交付的东西能不能用”。前者是执行层技能，后者是判断层能力。提示词可以学，验收力需要领域判断和责任意识，学起来慢得多。
所以，与其简单说“AI在解放人类”，更准确的说法或许是：执行层的带宽正在被系统接管，判断层的责任正在被重新压回人身上。
Token账单反而更贵了，系统效率成了真金白银的竞赛
DeepSeek此次Super-agent仍处于技术验证阶段，但它所关注的问题已经超出单一AI编程工具。随着Agent具备独立执行任务、调用工具和协同工作的能力，行业需要回答：如何让这些能力在真实业务中持续发挥价值？
沿着这一方向，未来Agent的发展可能呈现几个趋势。
- 从一次性任务走向长期业务参与。 企业真实业务往往持续数周甚至数月，期间不断出现新需求、新信息和新问题。Agent今天参与修复Bug，几周后项目再出现类似问题，它不仅要找回此前的修改记录，还要理解当时为什么这样处理，以及最新需求是否已经变化。长期运行的关键不只是记住更多信息，还要能根据新情况调整工作，避免过时信息影响判断。
- 从单点能力竞争转向系统效率竞争。 Agent一旦从单轮问答走向长链条任务执行，Token消耗会随任务拆解、工具调用和上下文积累快速放大。上下文重复调用会浪费大量Token；当Token单价下降99%，但Agent把消耗量放大几十倍，账单反而更贵。“让模型多干活”不再免费，系统效率变成真金白银的竞争维度。
- 平台化补齐“可运行的系统”。 OpenAI把Sessions、Agents SDK、Tracing、Evals做成一等开发面；Anthropic逐步补齐Memory、Compaction、Context Editing、Managed Agents；Google把ADK、Agent Runtime、Memory Bank、Agent Gateway组织成完整平台。方向都指向同一个目标：把Agent从“模型调用”变成一套“可运行的系统”。
DeepSeek近期的组织与模型动作也在围绕这一方向展开。产品团队方面，科创板日报10月16日报道指出，DeepSeek将Harness、Web、App和Platform团队整合为产品部，由崔添翼担任负责人，同时招聘产品设计相关岗位。模型更新方面，8月更新的V4 Pro正式版强调Agent能力；9月发布的V4.1 Flash加入原生视觉理解；10月17日再次更新时，公司强调减少任务运行时间与输出长度，并针对多个Agent平台优化。模型更新开始同时关注任务表现和执行开销。
资本侧，约1000亿融资、腾讯宁德时代为最大出资方、2027年初IPO的时间表，均来自公开报道和市场消息，相关方未公开回应或官宣。趋势判断可以成立，事实表述仍需留出精度。
但方向已经足够清楚：AI编程的竞争，正在从让单个Agent更能干，延伸到让整个Agent系统更高效。DeepSeek以MIT协议开源Super-agent技术原型，是在多Agent协调这一尚未形成统一方案的领域提供新的技术思路。未来决定Agent能走多远的，或许不只是模型有多聪明，还有这些AI能否被可靠地组织起来，真正完成复杂的现实工作。
