DeepSeek發佈「Super-agent」開源原型 Router-Worker雙層架構讓AI 24小時自主並行工作
DeepSeek Harness團隊於10月31日發表《Super-agent設計探索》技術文章，並同步開源MIT協議研究原型dsh-superagent。架構以常駐Router協調分派、多個上下文隔離的Worker並行執行任務，讓AI代理可持續在線、主動響應GitHub及飛書群組事件，24小時處理多項工作。初步實驗顯示任務完成中位數時間為12.4分鐘，較傳統單會話方案明顯佔優；團隊強調目前僅屬研究原型，並非正式產品。
人工智能代理（AI Agent）的發展，正由「一次對話處理一件事」走向「持續在線、自主安排多項工作」的新階段。繼多家龍頭企業推出各自的代理產品後，內地大模型公司 DeepSeek 於 10 月 31 日發布《Super-agent 設計探索》技術文章，同日於 GitHub 開源配套的研究原型 dsh-superagent（MIT 協議），公開了一套讓 AI 代理長時間在線、跨平台並行處理多項任務的系統架構，隨即引起開發者社群熱議，原型在發布後一天內 GitHub 星數已超過三千。
不是新模型，而是「讓AI指揮AI」的新架構
需要先釐清的是，DeepSeek Super-agent 並非新的語言模型，也不是可直接訂閱的正式產品，而是一套 Agent 系統架構設計，並附帶一個供開發者檢視及改造的研究原型。原型以套件形式整合至 DeepSeek Harness（DeepSeek 的 AI 開發框架），可長期監察單一 GitHub 軟件庫，並可選擇接入飛書群組。
實際運作方式是：獲授權的使用者在聊天群組或以 @ 方式提出工作要求後，原型便會建立工作項目（工單），在獨立的工作階段與目錄中執行任務，最後回到原本的對話串交付結果，例如提交一個包含程式碼修改建議的 Pull Request。團隊在 README 中明確表示，這只是「僅供參考的研究原型，並非 DeepSeek 官方產品」，並提醒公開版本與內部系統及設計文章中描述的部分內容並不相同，部分功能仍在規劃階段。
Router與Worker分層：協調與執行徹底分工
Super-agent 架構的核心，是把「協調」與「執行」拆成兩層，以解決過往 AI 代理難以同時跟進多個工作的樽頸。DeepSeek 團隊在設計文章中指出，一個人通常只能同時追蹤三至五個活躍的代理工作階段，每個階段各有對話歷史，開發者既要記住每項任務對應哪個工作階段，也要記得各代理收到過甚麼指令，這是實際工作中的主要痛點。
在新的架構下，常駐的 Router（路由器） 負責接收所有與人的互動、維護各項任務共享的全局資訊，並把工作分配出去。Router 本身不會親自撰寫程式碼，因此即使其他工作階段正忙，它仍可繼續承擔協調角色。多個 Worker（工作者） 則各自擁有獨立的對話上下文與完整執行工具，可以同時處理缺陷調查、回覆程式碼審查意見、修改功能等不同任務；Worker 把結果匯報給 Router，由 Router 統一回覆用戶，避免多個工作階段各自獨立發言造成混亂。
模型配置上亦有講究：路由與分派工作通常可以由較輕量的模型處理，而影響程式碼品質的實際執行工作則交由能力最強的模型承擔。遇到複雜任務時，Worker 更可自行建立輔助代理（Subagent）協助完成。這種分工令系統能應付更高的消息流量——當事件到達速率由每分鐘約 1 條升至 40 條時，Router 可把觸發事件分批處理，每項決定攤分的推理時間反而由 6.4 秒降至 1.6 秒。
主動響應事件，卻盡量不打擾人
Super-agent 的另一個特色，是由事件驅動、主動工作。聊天訊息、程式碼審查評論以至自動化測試結果都可成為觸發操作的事件，更廣泛的設計還考慮到電郵與行事曆提醒；持續整合（CI）檢查完成後，代理亦會根據結果採取行動。
為了避免對無關重要的日常訊息白白調用模型，系統設有兩階段篩選：先以一般程式規則檢查事件來源、群組與授權用戶，再由模型結合上下文與書面政策評估剩餘的候選事件。相關事件會歸入同一個「Thread」（線程），例如某個 Pull Request 下的所有評論；Worker 接手任務後會訂閱該 Thread，後續的評論和測試結果便可直接傳送給它，毋須 Router 再次分派，節省大量協調成本。
DeepSeek 表示，其內部版本的 Super-agent 已持續運作，可自行重現及修復問題、回應程式碼審查，甚至協助開發 Harness 本身。團隊亦為其訂立原則：「盡可能少佔用人的注意力，同時盡可能多地創造價值」——代理會先靜默調查、嘗試重現問題並尋找簡單修復方案，而非對每個事件都驚動用戶。系統的網頁面板只列出需要人工關注的工作項目，而非每次工具調用或中間思路，把介面焦點放在待決事項與可用成果之上。
實驗數據：更快、更穩定，但Token用量更高
DeepSeek 對每種實驗配置重複測試五次，利用合成訊息與模擬長時間編碼工作的工具，比較 Super-agent 與「單主工作階段加輔助代理」的傳統方案。結果顯示，Super-agent 在約 300 條模擬訊息、約 20 項工作請求的測試負載下，完成任務的中位數時間為 12.4 分鐘，95% 任務在 15.7 分鐘內完成；相比之下，配備輔助代理的單工作階段系統在一般提示下，95% 任務需時 29.5 分鐘，即 Super-agent 把這一指標縮短約 47%。
不過，更快的協調並無免費午餐：併行架構帶來的代價是更高的快取 Token 用量。Super-agent 讀取了約 2,323 萬個快取 Token，而兩種單工作階段配置分別只讀取約 605 萬與 1,082 萬個。團隊強調這些僅屬初步實驗數據，實際編碼品質、獨立效能表現及活躍用戶數字均未公布，企業在部署前仍需結合模型價格、併發設定與實際工作負載作綜合評估。
對香港企業的啟示
DeepSeek Super-agent 的發布，是 AI 代理由「對話工具」走向「數碼員工」趨勢的又一注腳。對香港企業而言，有兩點值得留意。
第一，代理架構正成為生成式 AI 的下一個競爭焦點。無論是 OpenAI、Anthropic 等國際巨頭，還是 DeepSeek 等內地廠商，均投入大量資源開發能持續在線、自主安排工作的代理系統。企業評估 AI 方案時，不應只看模型的對話能力，更應了解其背後的代理架構能否支援多任務並行、事件驅動與長期運作，因為這直接決定 AI 能否真正融入工作流程。
第二，開源原型的部署風險與安全考量不容忽視。DeepSeek 在文件中明確指出，原型中的 Worker 會以操作人員的作業系統帳戶執行命令、無需逐次審批，意味著該帳戶的權限將直接影響部署安全；部門機器上可能存有憑證、私有程式碼與敏感檔案，而透過外部訊息或軟件庫內容發動的提示注入（Prompt Injection）攻擊，正是這類高權限代理面對的主要風險。企業若要試用此類開源代理，應審慎設定執行帳戶的權限邊界、訂立必須由人手介入的作業清單，並在隔離環境先行驗證，方能在享受自動化效益的同時守住數據安全底線。
結語
DeepSeek 以開源方式公開 Super-agent 架構，把「Router 協調、Worker 執行、事件驅動、持續在線」的設計哲學帶到更多開發者手上，也讓外界窺見下一代 AI 代理的輪廓。雖然目前的 dsh-superagent 仍是研究原型，距離企業級正式產品尚有距離，但其展示的方向——讓 AI 代理減少對人的打擾、同時創造更多價值——勢必成為未來企業自動化部署的重要參考。對香港的企業決策者與技術團隊而言，現在正是觀察、測試並評估這類新架構的黃金時機。