10月31日晚，DeepSeek Harness团队发了篇长文《Super-agent设计探索》，同步开源原型 dsh-superagent-prototype。几小时，GitHub上九百多颗星。
最抓人的不是架构图，是一个内部场景：同一个开发任务，先在IM群里讨论，再去GitHub的PR评论区改方案，Agent能接着做；群里有人报bug，没人@它，它自己定位根因，提了修复PR。 重点不是它能提PR，而是它没等你开口。微信公众号
这容易被读成“更强的助手”。它想动的地方更靠下：今天AI助手的基本单位是“会话”，Super-agent想把这个单位拿掉。文章说得挺狠：Session该是系统的实现细节，不该是用户的认知负担。 主流产品还是开一个会话、输入、等、验收；同时推进三件事，就得开三个窗口，自己记上下文。文章观察到，一个人通常只能同时跟进3到5个活跃会话。 单任务的上限看模型，多任务的上限看你的注意力。微信公众号机器之心
连续和高效，一个ReAct循环很难同时做到。所有事塞进一个会话，上下文最连贯，却只能串行；每件事新开会话，吞吐上去了，彼此却不通气，回复也会打架。DeepSeek把两件事拆开：常驻的Router层只接人、做全局记忆和分派，甚至不配Bash工具，用轻量模型就够；Worker层各自隔离上下文，挂满工具，用最强模型干活，但不直接对人说话，只向Router汇报。 分层的关键，是把Session收走。Datawhale
主动是另一道题。它靠什么醒着？环境事件。群消息、PR评论、CI结果都是Trigger。真实工作流是“高噪音、低触发率”，绝大多数消息不值得Agent插手，所以它先用代码筛掉噪音，剩下的才交给模型判断。群里有人报bug，它先在后台试着复现和修，修好了再出声，修不好就安静丢掉。主动性不只是“多做”，更是“知道什么时候不做”。
持久是最后一道题。本地Agent把计算、状态、环境绑在机器上，电脑一合盖就停。DeepSeek把三样拆开：Agent Loop进云端无状态容器，会话状态进数据库，重的执行环境留在本地，只装一个轻量daemon。外面再加个定时唤醒的Watchdog，不只盯进程，还让模型判断每个Worker有没有实质进展。
快慢路径、投机执行、存算分离，都是老办法；难的是拼成一个能跑的系统。消融实验里，Super-agent的p50是12.4分钟、p95是15.7分钟；单会话加Subagent的方案，中性提示下p95是29.5分钟。 Super-agent的token开销比单会话高；在它内部去掉消息直通，Router决策多约30%，读缓存token多37%。实验是合成负载，只能算初步参考。机器之心
还得看它交付了什么。开源的dsh-superagent-prototype没那么完整：README说，它是面向单个GitHub仓库的主动式编程Agent；跨设备、云端常驻、Watchdog那套没全实现——README的原话是，一些设计属于后续方向。 DeepSeek也说，这是研究原型，不是正式产品。GitHub
作者列了安全账：云端Agent Loop一旦被入侵或提示词注入攻破，它连接的端侧设备都可能被控制；就算云端没事，凭据进了模型上下文，正常执行也可能泄露。 这个问题不解决，Super-agent只能在很小且可信的范围里工作。机器之心
所以，Super-agent差的不是智商，也不是多几个工具。它差的是“谁拿着上下文、谁做调度”：现在是你，它想换成系统。成不成，取决于两件事——它能不能在没人盯着时可靠地判断该不该动手，以及你敢不敢把本地环境和凭据交给它。
九百颗星说明大家很在意。但真用起来，问题可能不是“它够不够聪明”，而是“你舍不舍得不管”。
