没人@它,DeepSeek的Agent自己提了PR

DeepSeek发布Super-agent架构,实现从IM群聊到GitHub PR的端到端自主执行。其双层架构含Router调度与Worker并行执行,支持上下文连续、事件直通、投机执行与Watchdog容错机制。实测任务完成时间显著优于传统单Session方案,但当前仅为开源原型,需自行部署验证。核心突破在于消除人工上下文搬运,转向验收式人机协作。

群里没人@它,它自己把Bug复现了、改完了,PR也提上去了。

10月31日,DeepSeek公开了一份面向工程实践的架构文档《Super-agent:迈向更自主的Agent系统》,同时放出了GitHub原型仓库dsh-superagent-prototype。此前不少人还在等传闻里的「dsh dot」,先等来的是这套东西。

一、从群聊到PR,中间不用人搬上下文

日常开发是这样:先在IM群里聊定方案A,再去GitHub提代码,然后照着PR评论改成方案B。对传统Coding Agent来说,这三步是三个割裂的会话,进度到哪、前情是什么,全靠人自己记、自己复述。

DeepSeek团队在文档里给了一个观察:一个人通常只能同时跟进3到5个活跃Session。模型单任务能力越强,多任务协作反而越容易卡在人的注意力上。

Super-agent改的就是这一点。用户面对的始终是同一个Agent,底下开多少会话由系统自己管。团队内部运行的实例里,同一个开发任务可以从IM群聊一直延续到GitHub PR评审:群里定了方案A,GitHub评论要求改方案B,它能认出这是同一件事,并调整后续执行。

它还开始主动出手。群里有人讨论一个Bug,它先在后台复现、定位,找到简单可行的修复就把结果交给用户;没找到有效结果就保持安静,不打扰。

二、敢先动手,靠的是分层和兜底

架构是双层的。上层Router当调度员,接消息、分任务、维护全局上下文;下层Worker是一组执行会话,多个任务并行推进,互不干扰。

关键在一条直通机制:某个Worker接手一个PR后,可以直接订阅后续评论,新意见直接进这个Worker,不必再经Router层层转发。省下的开销有数字:取消事件直通后,Router决策次数增加约30%,读取缓存Token增加约37%。

它还用了投机执行——判断某件事可能要处理,就提前在后台试。日程邀约来了,可以先查冲突、整理资料、写好回复草稿,等人确认。

长期在线靠三件事:计算、状态、执行环境分离,电脑离线云端也能维持任务状态;两级事件过滤,先用程序规则筛掉无关消息,再让大模型判断剩下的要不要动手;以及一个独立的Watchdog,专门盯其他Agent,检测故障、判断任务是否陷入无效循环,尝试介入修复。

初步实验是模拟环境:约300条消息、20项工作请求,每种配置重复5次。Super-agent任务完成时间中位数12.4分钟,95分位15.7分钟;传统单Session方案在中性提示下,95分位是29.5分钟。

三、你的活,从派任务变成验收

对每天在IM和GitHub之间来回切的人来说,最直接的变化不是速度,是角色。以前你是「人肉上下文搬运工」,把前情一遍遍讲给AI听;这套东西跑起来之后,你更像一个验收的人:看它提的PR对不对,看它写的草稿发不发。

但别急着当它已经能用。DeepSeek给的是架构思路和原型仓库,异步ReAct Loop虽然在DeepSeek Harness里实现了,却尚未默认开启。也就是说,这套能力目前还不是开箱即用的成品,能不能跑通、跑起来多贵,得自己去GitHub上试。效率提升也确实带着Token开销,直通机制省下的那30%决策次数,反过来就是不做路由的代价。

你平时同时开几个会话干活?如果真有个Agent替你盯着PR评论,你最想先交出去的是哪一件?

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值