---
title: DeepSeek Super-agent 新在哪？拆解双层架构、事件直通与持续协作
description: >-
  从官方设计文章与开源原型解释 Router、Worker、事件订阅、上下文召回和恢复机制，对比 Claude Code、Codex 与
  LangGraph，并读懂初步实验真正证明了什么。
canonical_url: 'https://onevium.com/zh/blog/deepseek-superagent-router-worker-architecture'
language: zh-CN
published_at: '2026-11-01'
publisher: Onevium
---
# DeepSeek Super-agent 新在哪？拆解双层架构、事件直通与持续协作

从官方设计文章与开源原型解释 Router、Worker、事件订阅、上下文召回和恢复机制，对比 Claude Code、Codex 与 LangGraph，并读懂初步实验真正证明了什么。

## 任务能自己跑，为什么人反而越来越忙？

一个 Bug 先出现在群聊，随后有人建 Issue，CI 又报了错，评审意见最后落在 Pull Request。每次开一个新会话，AI 都能干活；但记住它们是否属于同一件事、谁已经接手、哪条新意见改变了任务的人，仍然是你。

**DeepSeek Super-agent 最值得关注的变化，是把“管理多个会话”的负担移到系统内部，让人围绕持续推进的工作进行交互。** 它提出的架构以常驻 Router 维持全局连续性，由独立 Worker 并行执行，再用事件订阅、异步交互和恢复机制把工作接起来。

这是 Agent 执行系统的架构探索。它没有发布新的模型权重或神经网络结构。10 月 31 日发布的[官方设计文章](https://mp.weixin.qq.com/s/zoS7GlReWPhfCjENGxXCdg)提出更完整的系统方向；[公开原型](https://github.com/deepseek-ai/dsh-superagent-prototype/blob/6337fc823ce20251c8de8085948165c81aaa701e/README.md)只实现了其中一部分，面向单个 GitHub 仓库，可选接入飞书，作为 DeepSeek Harness bundle 运行。原型明确标注为研究代码，并非 DeepSeek 正式产品。读懂这次发布，需要同时看架构思路、现有实现和实验的适用范围。

## 双层架构：把持续交互与具体执行拆开

把所有消息塞进同一个会话，连续性容易保留，但长任务会占住执行循环，多个任务的细节也会互相干扰。每条消息都开新会话则容易并行，却可能让三个会话分别修同一个 Bug，各自向群里汇报。

Super-agent 将这两类职责分成两层。**Router 负责接住人、关联工作与分派任务；Worker 负责把一件具体工作做完。** 设计文章建议 Router 不亲自执行具体任务，甚至可以不配 Bash 工具，避免协调者又被编译、测试或长命令拖住。Worker 拥有执行工具和独立上下文，复杂任务内部仍可使用 subagent 或 Agent Team。

这也解释了它与常见 Agent Team 的侧重点差异：Team 经常拆解一个复杂任务，负责人需要深入协调子步骤；Super-agent 主要协调多个持续存在的任务，任务内部如何拆解由 Worker 决定。官方也承认，如果把一个 Team 的主会话约束为只交互和分派，它同样可以视为这种双层架构。区别应落在实际职责与消息路径上，不能只看名称。

![事件经过授权检查进入 Router，Router 分派两个 Worker，工作结果与问题返回协调层，底部保留工单、会话和目录状态。](https://onevium.com/assets/blog/superagent/architecture-zh.webp)

原创简化示意，展示新任务的进入与协调。已订阅线程的后续事件可直接送达 Worker；图中的状态层也不表示所有代码目录共享。

## 真正减少协调开销的，是事件直通

设计中的 Trigger 是一条环境事件，例如群消息、评审评论或 CI 结果；Thread 是一串相关事件，例如同一个 PR 的讨论；Worker 则订阅自己需要持续关注的 Thread。

新任务需要 Router 判断归属。归属确定后，同一 Thread 的后续事件由程序直接送到已订阅 Worker，省去“Router 再读一遍、调用工具转发”的步骤。订阅是多对多的：一个 Worker 可以关注群聊和 PR 两条线，同一个 PR 也可以通知多个相关 Worker。Router 保留全局观察与跨任务协调的职责。

公开原型还把“有关联”和“需要投递”分开：Correlation 提供关系上下文，Subscription 才决定消息扇出。两个事件都提到搜索框，不等于它们必然属于同一故障，也不意味着应该给每个 Worker 都发一份。实现依据可见[领域模型](https://github.com/deepseek-ai/dsh-superagent-prototype/blob/6337fc823ce20251c8de8085948165c81aaa701e/docs/001-domain.md)与[事件准入代码](https://github.com/deepseek-ai/dsh-superagent-prototype/blob/6337fc823ce20251c8de8085948165c81aaa701e/src/core/intake.ts)。

持续接收群聊还会带来大量噪音，因此输入先走两级过滤：代码核查来源、身份与允许范围；需要语义判断的候选，再交给模型依据书面策略决定是否值得行动。原型的主动接单默认是 `observe`，只记录“本会接单”，切到 `auto` 才真正执行。订阅直通也不会凭空扩大已有授权，见[授权设计](https://github.com/deepseek-ai/dsh-superagent-prototype/blob/6337fc823ce20251c8de8085948165c81aaa701e/docs/002-authorization.md)。

## 连续性不等于把所有历史塞进上下文

Router 要记得工作之间的关系，又不能永久装下所有日志。官方设计采用 Inline & Spill：近期很可能用到的摘要、相邻消息与关联对象 ID 直接放入上下文，长内容留在外部，只保留续读入口。

链式召回（Chain of Recall）进一步利用这些 ID：从当前消息找到 Thread，再找到 Worker 和相关评审 Thread，沿引用逐跳展开。它的价值是让模型能找回任务关系，同时控制每轮输入。它也有代价：摘要遗漏、关系不完整或模型找错路径，仍可能让重要背景丢失。官方将跨月的长程记忆列为开放问题。

公开实现中的 SQLite 保存工单、事件、授权、决策与待投递结果，Harness 保存会话历史；这些机制支持恢复和追溯。它们不能直接证明系统会从历史工作中自动提炼经验，也不能据此宣称出现了新的通用长期记忆算法。工作状态持久化、历史检索和经验学习需要分别验证。

## 更完整的设计，还包括异步交互、环境解耦与 Watchdog

官方文章把长命令从同步 `run()` 改成异步 `start()` / `stop()`：启动后立即返回，完成结果作为新事件进入会话。这样人可以在后台任务运行时追加或修改指令，不必等长命令结束。文章说明，这项机制已在 Harness 实现，但尚未默认开启；新输入也要等当前推理步结束，并非可以瞬时打断任何操作。

另一条设计线是分开 Agent Loop、持久化状态和执行环境：推理循环可在云端运行，状态放数据库，真实开发机通过轻量 daemon 执行命令。设备重新上线时，系统再继续需要它的工作。外部 Watchdog 则检查进程故障与任务是否仍有实质进展，必要时介入。

这些部分共同解释了“持续在线”的系统目标，但不能把设计文章的云端与跨设备方案全部归到公开原型的现成功能里。[原型 README](https://github.com/deepseek-ai/dsh-superagent-prototype/blob/6337fc823ce20251c8de8085948165c81aaa701e/README.md)明确提醒，公开版经过改编，和内部版本及文章不完全相同，部分设计尚未实现。本地进程恢复也不代表关掉承载它的电脑后仍能继续运行。

## 强在哪？官方实验支持的是调度收益

[官方文章第 7 节](https://mp.weixin.qq.com/s/zoS7GlReWPhfCjENGxXCdg)给出了使用合成消息流的初步实验：每次约 300 条消息，其中约 20 条是工作请求，每种方案运行 5 次。编码工作被替换为只消耗时间的工具，消息间隔和工作时长按 1/4 缩放，模型调用仍用真实耗时。因此它主要测试调度与协作。

| 官方实验观察                                                                                     | 可以支持的判断                           | 不能推导的结论                     |
| ------------------------------------------------------------------------------------------ | --------------------------------- | --------------------------- |
| Super-agent 的任务完成时间 p50 为 12.4 分钟、p95 为 15.7 分钟；中性提示的单 Session + Subagent 方案 p95 为 29.5 分钟 | 该负载下，固定职责分工减少了主会话自行执行、被新消息反复打断的长尾 | 真实修 Bug 快一倍，或超过所有多 Agent 产品 |
| 去掉直通后，完成时间基本相同；Router 决定数增加约 30%，读缓存 token 从 2323 万增至 3177 万，约增 37%                        | 该负载下，直通主要减少路由开销                   | 开启直通必然提高代码质量或缩短完成时间         |
| 独立 Router 压测中，到达速率约 1→40 条/分钟，平均 batch 1.0→2.8，请求耗时 2.5→3.9 秒                              | 批处理可在一定范围内摊薄每条决定的推理开销             | 任意规模下单 Router 都不会成为瓶颈       |

这里还有一个容易漏掉的交换：官方指出，Super-agent 的多独立会话比单 Session 消耗更多读缓存 token，以换取更短、更稳定的任务完成时间。“比没有直通的自己省路由开销”和“比单会话整体更省钱”是两种不同主张。读缓存 token 也不是总费用，不能用这一项代替全部输入、输出、工具与运行成本。

我的判断是，它最有价值的优势在于减少人反复搬运背景、辨认任务归属和追问状态的工作。是否转化为真实项目收益，还取决于 Worker 能力、错误接单率、验证质量，以及持续运行的费用。

## 与 Claude Code、Codex、LangGraph 放在什么位置比较？

下面比较的是三类既有做法与 Super-agent 的设计重心，层次并不相同：一个是研究系统，另一些是编码产品或构建框架。这不是同条件跑分或成品功能排名。

| 做法                                  | 已有能力与重心                                                   | Super-agent 带来的比较问题          |
| ----------------------------------- | --------------------------------------------------------- | ---------------------------- |
| Claude Code subagents / Agent Teams | 子任务可独立上下文、后台并行；Teams 是实验功能                                | 多个独立任务的后续事件，谁持续识别、投递和统一回复？   |
| Codex GitHub 与定时任务                  | PR 评论审查、开启后的自动审查，以及定时触发，已有事件驱动先例                          | 不同入口如何保持同一工作的连续性？实际运行依赖什么主机？ |
| LangGraph                           | 图、条件边和动态 Worker；checkpoint、thread 与 interrupt 支持持久执行和人工介入 | 开发者如何实现跨渠道路由、授权、幂等副作用与任务界面？  |
| Super-agent 设计与公开原型                 | 常驻 Router、Worker、线程订阅与持续工作状态                              | 能否在少打扰人的同时，正确接单、持续推进并恢复？     |

[Claude Code 普通 subagent](https://code.claude.com/docs/en/sub-agents)可以在后台与主会话并行，不能把它写成“所有子任务都必须阻塞主会话”；[Agent Teams](https://code.claude.com/docs/en/agent-teams)则是实验功能，默认关闭。Super-agent 的差异要从跨任务持续协调来判断。

[Codex GitHub](https://learn.chatgpt.com/docs/third-party/github)已经说明事件触发并非这次首次出现；[本机项目定时任务](https://learn.chatgpt.com/docs/automations?surface=app)仍需主机与 App 在线，不能因叫自动化就假设运行在云端。

[LangGraph](https://docs.langchain.com/oss/python/langgraph/workflows-agents)可用于构建类似机制，但框架能力仍需接上具体产品流程。[Checkpoint](https://docs.langchain.com/oss/python/langgraph/checkpointers)与[人工中断恢复](https://docs.langchain.com/oss/python/langgraph/interrupts)也不会自动保证外部写操作恰好一次：恢复时节点可能重跑，发消息、创建 PR 等副作用需要幂等设计。

## 用一个搜索竞态 Bug，看持续协作应怎样工作

以下是虚构案例，用来检验架构选择，没有在这些产品中实际运行。9:00，群里反馈“输入 cat 后结果退回 c”；9:01，Issue 补充“清空后旧请求仍写回”；9:02，CI 在同一模块失败；9:03，有开发者表示已经接手。

合理行为应是先判断几条线是否同根因，把有关联的群聊、Issue 与 CI 信息送到对应工作，同时尊重已有负责人。CI 失败可能是另一件事，不能只因文件名相同就合并；有人接手后，系统也应避免继续重复改同一份代码。

如果团队只授权只读复现，Worker 可以检查旧请求成功、失败和 loading 状态，以及清空后的结果失效。获得明确写入授权后才修改，交付内容应包括复现条件、diff、验证结果与仍未解决的问题。是否发群消息、推送、合并或部署，应分别依据已有授权。可参考本站的[先复现再修 Bug](https://onevium.com/zh/blog/ai-debugging-reproduce-before-fixing)。

重启后也需要先核对目录、Git 和 GitHub 的真实状态，不能看到“未完成”就再次创建相同 PR。原型在[投递层](https://github.com/deepseek-ai/dsh-superagent-prototype/blob/6337fc823ce20251c8de8085948165c81aaa701e/src/app/delivery.ts)复用 request ID，并持久化待投递状态，降低重复进入会话的风险；这仍不能当成所有外部操作都具有全局恰好一次保证。

用这样的案例评估系统时，应记录误触发、重复修改、人工介入分钟数、从反馈到验收的总耗时和实际总费用，同时验收最终行为。单看后台同时跑了几个 Worker，无法判断架构有没有帮到团队。

## “全新架构”应怎样理解，以及现在适合谁

官方在结语中写道：“我们并没有提出全新的理论，而是将计算机系统中经典的工程思想应用到了 Agent 系统的构建中。”路由和 orchestrator-workers 也早已出现在 Anthropic 2024 年的[Building effective agents](https://www.anthropic.com/research/building-effective-agents)中。

因此，可以把它称为面向持续协作的 Agent 系统架构探索。它的价值来自职责分离、事件路径、上下文组织与恢复机制的具体组合。真正值得提高的产品预期是：人给一个持续目标和授权，系统自己维护工作关系，只在需要决定或验收时找人。

但研究原型还需要明确边界。[部署文档](https://github.com/deepseek-ai/dsh-superagent-prototype/blob/6337fc823ce20251c8de8085948165c81aaa701e/docs/006-deployment.md)说明，它以操作者的操作系统身份运行，Router 和 Worker 使用 `danger-full-access`；独立目录不构成操作系统沙箱。Policy 更新也不会立即撤销在途工单。自动合并的提示词约束应配合 GitHub branch protection 等外部强制措施，不能把模型遵守约定等同于权限被技术隔离。

如果只是当前会话里修一个小 Bug，普通编码 Agent 加适当验证通常更直接；如果多个明确独立的子任务能并行，先按[上下文边界拆分](https://onevium.com/zh/blog/when-to-use-multiple-ai-coding-agents)。当真正的痛点是持续消息流、跨入口追问和无人维护的任务状态时，Super-agent 的设计才提供了更有针对性的思路。先用一个仓库、有限来源和观察模式验证接单质量，再决定是否扩大自动执行。

来源: [DeepSeek Harness 团队 — Super-agent 设计探索：迈向更自主的 Agent 系统](https://mp.weixin.qq.com/s/zoS7GlReWPhfCjENGxXCdg)
