灰机仔

DeepSeek Harness 团队分享了他们关于 superagent 的思考： 这篇文章探讨的是一种叫 Super-agent 的智能体架构。它的核心目标是让 AI 能像人类员工一样，持续在线、同时推进多项任务，而不是每次都要人重新交代背景。Super-agent 的目标就是让 AI 从“对话工具”进化成“自主员工”。 文章给出的解法是把系统拆成几层： 双层架构：Router + Worker 系统被拆成两个角色。Router 是“前台接待”，负责接收所有消息并判断该交给谁处理；Worker 是“后台员工”，接到任务后自己闷头干。如果所有任务都挤在一个模型里处理，一来上下文会爆炸，二来一个耗时任务会堵住所有后续请求。拆开之后，Router 轻量快速，Worker 专注执行，互不干扰。这样，你在群里 at Agent 说“帮我查一下上周的销售数据”，Router 收到后把任务派给数据查询 Worker，同时你还能继续问“顺便看看这周的排期”，Router 又派给日历 Worker，两个任务并行跑。 事件驱动：不是每句话都要处理 系统不是对每条消息都调用大模型，而是先设一套规则过滤器。比如群聊里有人发“哈哈”“好的”，直接放过去；只有涉及任务、提问、at Agent 的内容才触发 AI 判断。这是因为群聊里 90% 的消息都是闲聊，如果每条都过一遍大模型，成本高、响应慢，还会让 Agent 变得“话多烦人”。用规则筛掉噪音，把模型资源留给真正需要判断的内容。 按需读取上下文 Agent 不会把整个聊天历史都塞进模型，而是只取最近几轮关键对话。更早的历史存到外部数据库里，当模型需要引用某条旧消息时，通过引用链去检索。这是因为大模型的上下文窗口再大也是有限的，塞满历史不仅浪费 token，还会让模型注意力分散，回答质量下降。比如你三天前让 Agent 记了一个需求，今天问“那个需求怎么样了”，Agent 不会把三天聊天记录全读一遍，而是直接去数据库找到那条需求记录，精准回答。 异步执行 Agent 接到耗时任务（比如生成一份几十页的报告）后，会在后台跑，前台立刻返回“正在处理，稍后通知你”。你该干嘛干嘛，不用盯着转圈。如果每次都要等模型跑完才能继续对话，用户体验极差。异步是让 Agent 真正“多任务并行”的关键。用户不需要知道任务什么时候跑完，Agent 跑完了自然会通知。 存算分离：本地轻量，云端重算 Agent 的会话状态（比如当前任务进度、上下文）存在数据库里，计算（模型推理）放在云端。本地只装一个轻量程序，用来连接代码仓库、文件系统这些工具。如果所有计算都在本地跑，普通电脑根本扛不住大模型。如果所有状态都存在云端，断网就全丢了。存算分离让两者各司其职——本地负责“连接”，云端负责“思考”。用户换设备、断网重连，Agent 的状态不会丢，因为状态在数据库里，不在本地内存里。 Super-agent 这套架构的核心思路就是：别让 AI 什么都自己扛，把听、想、做、记”拆开，各找最合适的工具来干。 这样它才能像一个人一样，同时处理多件事、记住上下文、不被打断、也不打断你。 mp.weixin.qq.com/s/zoS7GlReW…