为什么现在的 AI 已经这么聪明了，我们用起来却依然觉得心累？ 今天读了 DeepSeek Harness 团队发布的万字架构长文《Exploring Su… · @guanmo_ai · TwKit

@guanmo_ai

为什么现在的 AI 已经这么聪明了，我们用起来却依然觉得心累？ 今天读了 DeepSeek Harness 团队发布的万字架构长文《Exploring Super-agent Design》。它没有发新模型，却提前描绘了未来几年 AI 产品演进的方向。 哪怕你完全不懂代码，我也尽量用最生活化的语言，帮你把这套硬核设计讲透。建议先点赞收藏，跟我一起慢慢看👇 平时我们和 AI 协作，本质上是在“陪跑”。 你开一个窗口让它写方案，再开一个窗口让它查资料。同时开到三五个聊天窗口，人的大脑就开始过载了——你得不停地在各个窗口之间切换，手动把 A 窗口的结论复制粘贴到 B 窗口，还得盯着转圈圈的进度条干等。 DeepSeek 团队一针见血地指出了症结所在： “单任务的上限取决于模型能力，多任务的上限取决于人的注意力。” 今天 AI 提效的瓶颈，正在从单任务的模型能力，进一步转向多任务协作中的人类“注意力带宽”。我们之所以还在手动管理一个个聊天框，其实只是延续了早期底层接口留下的习惯。 如果把“聊天窗口”这个概念彻底藏到系统底层，未来的 AI 应该是什么样的？ 文章提出了 Super-agent（超级智能体）的概念，并用扎实的传统计算机工程思路，描绘了一个“真正像人类同事一样工作”的系统。 （注：这不是 DeepSeek 新发布的正式产品，而是团队结合内部实践提出的一套架构探索，部分能力已通过开源原型实现。） 这背后有三个非常优雅的工程设计，看懂它们，就能看清未来 AI 工具的演进逻辑： 1️⃣ “前台总管”与“幕后专家”的分工（两层架构） 如果让一个 AI 既陪你聊天、又埋头干重活，它就会要么反应慢，要么记忆混乱。Super-agent 把它拆成了两层： 一个常驻的路由层（Router）就像温和的前台总管，它不干具体的重活，只负责维护全局上下文和任务关联，在群聊或 GitHub 上跟你沟通，并把任务派发下去；而真正干活的是后台一群上下文相互隔离的执行者（Worker）。 更有意思的是，当群里消息突然密集爆发时，总管会把积压的事件合并进下一轮调用做事件批处理（Batching），并利用大模型底层并行计算输入（Prefill）的特性一口气处理掉。 Router 层的专项压测数据很反直觉：需要处理的事件越密集，批处理带来的效率优势反而越明显，单个决策分摊的推理时间从 6.4 秒降到了 1.6 秒——就像电梯在高峰期满载运行，整体的运送效率反而更高了。 2️⃣ 听懂弦外之音，且“未卜先知”（事件驱动与投机执行） 在这套设计里，Agent 不再局限于“你问一句、它答一句”的回合制游戏，而是引入了全双工模式（Full-Duplex）——后台在跑耗时任务时，前台依然能继续响应你的新指令，不必傻等前一个任务结束。 当它接入日常工作群，面对海量的闲聊噪音，系统借用了计算机系统里的“快慢路径（Fast/Slow Path）”：先用极低成本的代码规则过滤掉大部分无关信息，再让大模型去理解真正重要的事；一旦某个任务立项，后续同个话题的讨论就会通过“订阅直通（Pass-through）”直接发给对应的幕后专家，不再去打扰总管。 最让人惊艳的是它借鉴了计算机系统中的“投机执行（Speculative Execution）”思想。 比如团队在群里配置了策略后，大家正在激烈讨论某个 Bug 怎么修，哪怕没有任何人 @ 它，它在后台看到讨论信号，就已经默默拉起代码尝试复现并寻找修复方案了。如果没修好，它就安静地当作无事发生，绝不出来添乱；一旦验证成功，你们还在群里争论方案，它已经把写好的修复代码递到你们面前了。 3️⃣ 把记忆当书桌，把算力留在云端（上下文管理与计算、状态、环境的分离） 为了防止运行久了“失忆”或“脑容量爆炸”，系统借用了编译优化里的 Inline & Spill 思想，把大模型的上下文窗口当成一张有限的书桌：手头最急需的相邻信息直接摊在桌上（Inline），太长的历史资料只留一张索引卡片（Spill），需要时顺着线索做多跳按需召回（Chain of Recall）。 同时，它分两步将计算、状态与环境解耦：把 AI 的“大脑”放在云端 24 小时在线，而在你自己的电脑上只装一个极轻量的守护进程（支持自带设备接入 BYOM）。哪怕你合上笔记本去喝咖啡，它依然在云端运转；等你重新连上网，它再自动调用你电脑里的本地环境把活干完。外围甚至还有一个独立的看门狗会话（Watchdog）定期检查，一旦发现模型陷入死循环或偏离目标，就会尝试自动纠偏或恢复。 💡 这篇文章意味着什么？给我们什么启发？ ▪ 对每一个普通人而言： 我们与 AI 的关系，正在从“操作一台机器”转向“与一位数字同事共事”。未来的 AI 不会再把我们困在某一个软件的聊天框里，而是像空气一样融入我们原本的工作流（群聊、邮件、文档、代码库）。当系统接管了繁琐的记忆同步和过程执行，人的价值将进一步向上迁移——从盯过程的“执行者”，变成做取舍、拍板签字的“决策者”。 ▪ 对技术与产品从业者而言： 这篇架构文最大的魅力在于它的“克制”与“清醒”。 一方面，全文没有堆砌玄乎的新造概念，核心解法全是对计算机科学半个世纪以来经典智慧的致敬——快慢路径、编译优化、投机执行、存算分离。大模型提供了前所未有的“感性推理”，但要让它真正稳定、优雅地服务于现实世界，依然需要最经典的“理性系统工程”来托底。 另一方面，DeepSeek 团队也很清醒：一个 24 小时在线、能操作本地电脑的 Agent，权限和安全问题同样不能忽视。如何防范提示词注入（Prompt Injection）、如何让 AI 使用凭据却不接触凭据本身，仍然是这套架构走向大规模落地前必须解决的难题。 很喜欢这种把狂飙突进的 AI 能力，妥善地装进经典工程框架里的设计。 如果你觉得这篇解读对你有启发，欢迎点赞、转发或收藏，后续我还会继续拆解更多硬核 AI 架构，前沿AI资讯，尽量让大家能够通俗易懂的理解，但是也保留一定的专业性。https://x.com/DeepSeekHarness/status/2116857257245987236

曝光 278 · 评论 1 · 点赞 1 · 书签 2