写代码的 AI 这两年确实能干不少活了，人盯着屏幕的时间越来越少。

可新麻烦跟着冒出来：一个人同时只能跟进三到五个活跃会话。任务一多，人就变成了调度员——这边等回复，那边补上下文，还得自己记着每个窗口说到哪儿了。

10 月 31 日晚，DeepSeek Harness 团队发了一篇技术文章《Super-agent 设计探索：迈向更自主的 Agent 系统》，给出的解法很干脆：把这套调度，从人手上挪到系统里。

一个当主管，一群干活

架构分两层。

上层是常驻的 Router，负责接收群聊、GitHub、邮件这些入口的消息，判断该分给谁，同时维护跨任务的全局上下文。下层是 Worker，每个都有独立的上下文和工具，分别处理问题复现、代码审查、功能开发，必要时还能再叫子智能体。

有意思的是分工的边界：Router 只分派、不干活；Worker 只干活、不抢话。

团队把理由讲得很清楚。全塞进一个会话，上下文最连续，但一个执行循环只能串行推进，吞吐上不去，多个任务的中间细节还会互相干扰；全开独立会话，吞吐是高了，全局上下文又没了。两头都不占。

为了少些协调开销，他们还加了个订阅机制：某个 Worker 接手一个 PR 之后，后续评论直接发给它，不必每次经过 Router 转一道手。

没人 @ 它，它也会动手

比并行更值得看的，是主动性。

群聊消息、邮件、日程提醒、CI 测试结果，都能成为触发事件。但绝大多数群聊消息根本不需要 AI 插手，所以系统做了两级过滤：先用程序规则筛掉无关内容，再交给大模型结合上下文判断要不要动。

文章还借了计算机里的"投机执行"思路。DeepSeek 内部配了个"静默复现并修复"策略：有人在群里反馈 Bug，AI 先在后台复现、分析原因，确认问题确实存在、也找到了简单修法，才提交；否则全程保持安静。

他们展示的案例挺有画面感：团队还在群里讨论方案，修复的 PR 已经提交上去了。

为了能长期在线，系统还做了计算与状态分离——执行逻辑放云端，会话状态存数据库，本地只留一个轻量进程，电脑关机任务也能接着跑。另有一个独立的 watchdog，专门盯任务有没有陷进无效循环，该介入时介入。

快了 47%，代价是更费 token

实验模拟了一个协作环境：约 300 条消息，其中约 20 条是真实工作请求，每种方案跑 5 次。

Super-agent 这边，任务完成时间中位数 12.4 分钟、95 分位 15.7 分钟。对照的传统单会话加子智能体方案，在中性提示下 95 分位到了 29.5 分钟——而且五次实验里，模型一次都没主动调用子智能体，所有活都堆在主会话里，被新消息反复打断。

代价也很实在。维护多个独立会话，缓存读取量明显上去；把事件直通机制取消之后，Router 的决策次数增加约 30%，读缓存 token 从 2323 万涨到 3177 万，增幅约 37%。

说白了，是用更多算力，换更短、更稳的时间。