10 月 31 日晚间，DeepSeek 对外公开了 Personal Agent 的底座结构，开源项目命名为 Super-agent。随同公布的还有一组基准成绩：任务处理耗时的中位数为 12.4 分钟，95 分位落在 15.7 分钟。
作为对比，沿用传统单会话思路的方案，95 分位耗时达到 29.5 分钟。两组数据之间约 14 分钟的差距，来源并非模型推理变强，而在于任务调度不再傻等排期。
Super-agent 的结构是什么：不再被动等指令的 Agent
当前常见的 Agent 基本以会话为单位运行——开一个对话窗口，委派一件事，回答结束后停下，等待下一次输入。
Super-agent 改换了组织方式，拆成上下两层。上层为 Router，负责接收消息、调度任务以及维护全局上下文；下层为 Worker，由若干真正执行操作的 Agent 会话组成，能够并行推动多个事项。
设计上的核心在于两层之间那条直连通道。举例而言，某个 Worker 认领了 GitHub 上的一个 PR，便可自行订阅该 PR 后续产生的评论；一旦有人提出修改意见，信息会直达该 Worker，而无需先返回 Router 再重新分配。
换言之，它管理的不只是单一事务，而是众多任务的流入与流出。
12.4 分钟从何而来：官方模拟实验的三项机制
依据官方开展的一组仿真测试：协作环境包含大约 300 条消息与 20 项工作请求，两种配置分别重复执行 5 次。
测试结果为中位数 12.4 分钟、95 分位 15.7 分钟；采用传统单会话加子 Agent 的配置，在常规提示条件下 95 分位用时为 29.5 分钟。
时间节省主要依赖三点。其一是投机执行——群组中有人讨论缺陷时，系统先在后台完成复现与定位，修复完成后再交付给你，若无结果则保持静默。
其二是异步 ReAct 循环，长任务执行期间仍可接收新的指令，不必等待前一项结束。其三是两级事件过滤，先通过程序化规则剔除无关消息，再由模型判定是否需要采取动作。
由此可见，AI 的效率瓶颈早已不在代码编写环节。
如何上手：三步启动原型
代码仓库位于 deepseek-ai/dsh-superagent-prototype，定位为原型而非成品。
第一步克隆代码并安装依赖；第二步填入模型以及 IM、GitHub 的连接配置；第三步执行仓库内的示例任务，观察其是否会自行创建 Worker。
项目所接入的模型并不限定为 DeepSeek 自家产品，Router 层的提示词与工具定义均支持修改。若想判断这套结构是否值得借鉴，可重点观察其事件切分方式与直通规则的设定逻辑。
需要正视的代价：省下时间，消耗 Token
官方也测算了取消直通机制后的成本变化：Router 的决策次数上升约 30%，读取缓存 Token 的数量增加约 37%。换句话说，该结构节约的是人的时间，付出的是 Token 开销。
其次，异步 ReAct 循环虽在自研 Harness 中完成实现，但默认并未启用。原型距离日常稳定可用的产品之间，仍缺少一层可靠性打磨。
第三，它最具优势的能力同时风险最高：能够自主发现问题并自动提交 PR。若为这类系统开放仓库写权限，审计方案必须提前设计清楚。
主动性既是能力体现，也是风险敞口。
# 原型仓库（官方 GitHub，许可以仓库为准）
git clone https://github.com/deepseek-ai/dsh-superagent-prototype
pip install -r requirements.txt && python -m superagent.demo --tasks 20
结语：比拼的是调度能力而非知识广度
过去两年，业界主要围绕单任务完成能力展开竞争。如今制约效率的关键已转为人的注意力：同一个人最多同时跟进 3 到 5 个活跃会话，数量再多便难以记住。哪一方率先解决这一层问题，就能把「单个助手」升级为「一个工作组」。
小结：据官方公开数据，Super-agent 在约 300 条消息、20 项请求的模拟环境中把任务 95 分位耗时从 29.5 分钟压到 15.7 分钟，代价是 Router 决策次数与缓存 Token 读取分别增加约三成与三成七。这套 Router+Worker 加直通订阅的架构，比拼的是任务调度而非单体能力，但其自动发现并提交 PR 的特性意味着权限与审计需先行。