深入浅出DeepSeek Super-Agent技术原理讲解：让任务跨会话继续，系统需要保存什么

写在前面

欢迎大家关注Rocky的知乎：Rocky Ding 《三年面试五年模拟》AIGC/LLM/AI Agent算法工程师/开发工程师求职面试秘籍独家资源：【三年面试五年模拟】WeThinkIn/AIGC-Interview-Book，欢迎大家Star～

Rocky最新撰写的10万字AI Agent（AI智能体）深入浅出全维度解析文章： 深入浅出完整解析AI Agent（AI智能体）的核心基础知识

AIGC/LLM/AI Agent算法岗/开发岗求职面试内推学习社群（涵盖AIGC、LLM大模型、AI Agent、传统深度学习、自动驾驶、机器学习、计算机视觉、自然语言处理、强化学习、大数据挖掘、具身智能、元宇宙、AGI等AI行业最新面试干货经验与核心知识）欢迎大家加入：https://t.zsxq.com/33pJ0

大家好，我是Rocky。

核心导读：一个任务的寿命，往往比一次模型会话更长

代码问题在群聊里被提出，Agent改完代码，审查者过几小时才补充意见，CI随后又暴露另一处失败。第二天服务重启，昨天的分支、讨论和待办还在。此时真正困难的工作，已经超出一次模型调用：系统要知道谁提出了什么、任务做到哪里、哪些结果已经送出、下一条消息应该交给谁。

DeepSeek团队公开的 dsh-superagent-prototype 提供了一个值得研究的实现起点。它作为DeepSeek Harness的插件，围绕单个GitHub仓库工作，接收GitHub事件，也可接入飞书，在独立执行会话和目录中推进任务，并把结果送回相关讨论。

Rocky认为，DeepSeek Super-Agent最有价值的地方，是让持续工作有了可以查询、恢复和约束的业务状态。 Router和Worker的分工只是入口；决定系统能否长期使用的，是任务身份、授权依据、事件投递、外部结果和故障恢复能否接起来。

必须先说清项目定位：官方README将其定义为研究原型，明确说明它不是正式DeepSeek产品，也不属于可直接视为生产就绪的软件。公开版本经过整理，与内部版本及设计文章并不完全相同，部分设计仍是后续方向。下面讨论公开原型已经描述和实现的机制，不把愿景当成当前能力。

图1依据公开领域与架构文档整理。图中的箭头表示职责关系，不表示实测延迟或性能优势。它把系统拆成事件进入、授权任务、执行和反馈四个环节。

为什么光给Router一个大上下文还不够

长上下文可以让模型同时看到更多消息，却不能自动保证消息只处理一次、权限不会扩大、工作状态跨重启保留，也不能让外部评论与数据库状态同时成功提交。这些是应用系统需要显式承担的责任。

DeepSeek Super-Agent用Source表示事件来源，用Trigger表示不可变事件，用Thread组织讨论上下文。Source保留读取位置，过滤机器人的自身消息，并把不同平台的事件翻译成统一领域对象。Trigger作为审计和幂等单位，使重复接收同一个事件时可以识别它已经存在。

Thread不等于任务。同一讨论可能同时涉及两个不同工作项，一个任务也可能需要关注Issue、PR、审查和CI等多个讨论串。因此系统允许一个Thread关联多个Ticket，并用Subscription表达持续接收关系。

这种设计有直接的工程后果：任务数量不需要与聊天窗口数量绑定。用户不必为了每个工作项再手动建立一个完全隔离的聊天，但系统仍需要保持每项工作的范围和执行状态。

这些对象不是为了增加术语，而是把原来容易藏在提示词中的事实移到明确状态里。模型可以判断工作意义，系统则负责维持对象间的约束。

授权与上下文：读到一句话，不等于获得一项新任务

DeepSeek Super-Agent将新任务的接纳分成准入检查与模型研判。准入检查依据来源身份、允许名单、接收范围和策略；研判再判断事件是否满足工作规则。模型的判断不会自行改写允许名单。

明确请求与推断候选也有区分。项目提供 off、observe、auto 三种接单模式。off 不接受推断来源的候选；默认 observe 会评估并记录“如果自动执行会接单”的结果，但不会真正接受推断任务；auto 才允许符合规则的推断候选进入执行。明确请求在三种模式下均可以工作。

这比笼统地说“Agent具有主动性”更有意义。主动处理可以先变成可观察的决策记录，让团队检查误接单和漏接单，再选择是否扩大自动范围。能看见系统原本会如何行动，比只看成功演示更能帮助建立信任。

任务接受后，Mandate记录当时的范围和策略。后续订阅消息可以作为上下文送给执行器，包括审查机器人和CI结果，但这些内容不会自动扩大已有授权。若跟进要求超出范围，需要重新路由与接单。一个PR评论中出现“顺便把另一个系统也改了”，不应仅因它进入上下文就获得执行资格。

策略变化同样有时间语义。当前文档说明，运行中的评估会因策略版本变化而被丢弃并重新排队；受影响的活跃任务收到通知，而非一律立刻强杀。已经结束的任务恢复前，还要重新验证原授权是否在当前策略下成立。直接把这些行为概括成“改权限立即取消所有任务”会误读实现。

需要保持边界：领域层对授权的记录和工具规则，并不构成操作系统级隔离。它让系统能够说明为什么行动，但不能凭此宣称任何提示注入都无法影响执行。

Ticket与Assignment分开，跨会话恢复才有稳定身份

图2解释了DeepSeek Super-Agent的重要拆分。Ticket是业务工作，Assignment是某次执行关系。一次执行器启动失败或宿主重启，可以结束当前Assignment，再在同一任务下创建新的执行关系。

执行器默认拥有独立会话和目录，目录准备可以使用Git worktree。独立目录减少多个任务同时修改同一工作区的冲突，独立会话减少无关上下文混入，但两者都不是安全沙箱。这里的“隔离”首先是工作组织意义上的分离。

当一个任务被分配出去，系统不仅需要记录“已启动”，还需要知道输入是否真正进入执行器会话、执行器有没有读到、是否已经反馈。否则进程在消息传递中间重启，就会遇到两种错误：漏掉一条新要求，或把同一要求重新执行一次。

原型为输入投递、读取与Assignment恢复保留状态，并在恢复提示中要求检查目录、git历史和GitHub，再决定是否重复外部动作。这是跨会话工作的关键：恢复依赖可核对的事实，不能只让新会话相信一段“上一轮已经做完”的自然语言总结。

ready为什么不能总是等于done

对于没有关联PR的任务，ready报告可以结束工作；对于有PR的任务，ready通常进入待审查状态。相关PR关闭或合并，以及是否仍有未处理的恢复工作和跟进输入，共同决定Ticket能否结束。

因此“生成了补丁”“打开了PR”“审查通过”“PR合并”“最终生效”是不同事实。DeepSeek Super-Agent把部分业务结束条件放在外部线程状态上，避免执行器自称完成就直接结束所有后续关注。

结束后的任务仍可保留订阅，符合规则的人类跟进可能恢复它；人工明确停止则有不同的授权语义。系统必须区分自然完成和被要求停止，否则一个机器人通知可能在不该继续时重新唤醒工作。

最容易被忽略的部分：数据库事务与外部副作用

图3对应公开架构中的Engine、Store、Effects与Outbox。Engine统一写入Trigger、Thread、Decision、Ticket和Assignment，领域命令在事务中更新状态；需要执行的外部工作先写入持久队列，提交后由适配层处理。

假设系统准备接下一个任务并回复“已经开始处理”。如果先发消息、再写数据库，进程可能在中间崩溃：用户看见已接单，系统却没有任务记录。反过来，数据库已创建任务而发送失败，如果没有持久队列，就可能永远没有反馈。

Outbox设计把待发送消息及其回执状态保存下来，再通过Source的Channel发送。公开文档给出回复失败后的指数退避，起始5秒，上限300秒，并按同一Ticket与对话维护一定发送顺序。不同副作用有不同并发和重试策略，不能用一个统一“失败就无限重试”概括。

不过，持久队列并不自动保证外部操作恰好执行一次。外部平台已经收到消息，但响应在网络中丢失时，本地可能仍认为失败。是否可以安全重试，还取决于幂等键、结果查询和具体接口行为。DeepSeek Super-Agent提供恢复结构，不能由此推导出所有外部写入都不存在重复风险。

Rocky认为，这也是Agent系统与传统可靠应用工程重新汇合的地方。模型负责更灵活的判断，事务、队列、回执和幂等仍然负责保护事实一致性。模型能力越强，外部动作越多，这些机制就越不能省略。

并发与恢复：让系统忙起来以后，仍然能回应人

DeepSeek Super-Agent用worker slot限制活跃执行数。准备任务目录、启动执行、唤醒空闲任务都需要考虑容量；人类跟进或状态请求可以使用额外的一个槽位，并优先于新任务启动。这种安排处理的是一个具体体验问题：后台任务很多时，用户仍需要能够纠正或继续手头的工作。

等待输入、提交待审查结果和后台命令运行具有不同状态。当前执行文档对后台工作规定时间边界，并区分任务移交给人工后继续运行的服务与仍占用执行槽位的工作。不能把一个会话轮次结束理解为所有后台工作都已结束。

针对网络与模型服务的暂时失败，原型执行有限次数的重试；持续受阻或失败会进入需要人工介入的状态，自动CI和机器人消息不会无休止唤醒它。人的新消息或明确重试可以重新启动处理。

这里需要的是故障分类。接口限流通常值得退避重试；仓库准备命令失败可能需要修正环境；任务定义不完整需要人回答；权限不足则需要调整部署。把所有失败都交给同一个“继续努力”的提示词，容易造成重复操作与无效消耗。

对于长期运行，还要区分人工停止和意外故障。部署文档的恢复机制会尊重显式停止标记，这避免运维刚关闭服务，监控又把它自动拉起。这样的细节没有模型排行榜吸引眼球，却决定系统能否融入团队日常。

执行权限：独立会话不等于安全环境

公开部署文档明确，Router和Worker预设以运行者的操作系统账号执行，使用 danger-full-access。凭证包装器默认选择Agent账号，但并不隔离进程；执行器仍可能通过绝对路径调用程序，读取运行账号可访问的文件。

因此，把“每个Worker一个目录”解释成“每个Worker被完全沙箱化”是不成立的。工作目录、凭证默认选择、工具规则和操作系统访问权限是不同层次。文档建议使用只含Agent凭证的独立操作系统账号，实际部署还应根据所接任务配置更明确的运行边界。

合并权限也需要单独看。原型默认提示包含自动合并条件，但文档明确宿主没有合并专用的决策逻辑；要求审批、撤销过期审批等强制约束，需要仓库分支保护等外部机制共同承担。提示词中的规则不能替代平台的强制规则。

本文没有部署该原型，没有配置GitHub或飞书执行账号，也没有发送任何外部协作消息。这里讨论的是公开设计对真实运行环境提出的要求。

如何评价Super-Agent：调度快只是其中一个维度

给多个Worker分发任务，可能缩短并行工作耗时，也可能增加重复修改、冲突解决和人工审查负担。系统是否有用，需要同时观察任务交付和团队注意力。

围绕该项目流传的合成负载调度数字，没有在本文所核验的公开原型文档中形成完整可复现评测链。因此本文不把这些数字当成当前开源版本的性能结论。要做有效对照，应固定任务集合、模型、工具权限、并发预算和成功标准，并纳入失败与人工接管。

还应主动注入故障：重复发送同一事件、在外部写入后模拟超时、在执行中重启宿主、在等待审查时更新策略。可恢复性只有在故障路径上被观察到，才算从设计进入证据。

Rocky的判断：Agent产品的长期能力，是持续交付与可恢复协作

DeepSeek Super-Agent把视角从单次代码生成，扩展到团队工作中的事件、授权、执行和反馈。这种方向的价值在于减少人类搬运上下文、追踪任务和恢复中断的负担。

但更自主不应被简单等同于更多自动动作。对团队而言，低质量自动回复、重复PR和越界修改，都可能抵消节省的时间。能够少打扰、在必要时明确求助、留下可信的工作状态，比表面上持续忙碌更有价值。

对Agent开发者，最值得借鉴的是把业务任务与会话分离，让授权范围成为持久事实，将外部动作接到事务后的队列，并用外部状态定义交付；对算法工程师，则可以继续研究候选研判、任务关联和恢复上下文的质量；对产品团队，真正的竞争力要体现在较低的协调成本与可控的失败成本。

这个原型提供了清楚的研究路径，但尚不能替代真实团队验证。它留给行业的启发是：Agent走向长期工作以后，模型推理只是其中一层，任务系统、运行时和人的协作方式必须一起成熟。

推荐阅读

1. 深入浅出完整解析AI Agent（AI智能体）的核心基础知识

2025年可以说是AI Agent全面落地应用的元年，因此Rocky在持续撰写对AI Agent的全维度解析文章：

深入浅出完整解析AI Agent（AI智能体）的核心基础知识

2. 深入浅出完整解析扩散模型DDPM、DDIM、Score-Based、SDE、LDM、Classifier/Classifier-Free Guidance、Rectified Flow核心基础知识

Rocky对扩散模型的本质原理与和核心基础知识进行了全面系统的深入浅出分析讲解，同时不断跟进补充扩散模型的最新技术发展，希望能给大家带来帮助：

深入浅出完整解析扩散模型DDPM、DDIM、Score-Based、SDE、LDM、Classifier/Classifier-Free Guidance、Rectified Flow核心基础知识

3. 入浅出完整解析FLUX.2、Seedream（即梦）、Z-image、GLM-Image核心基础知识

Rocky对AIGC时代“中场时刻”之后的主流AIGC创作大模型的核心基础知识进行了全面系统的深入浅出分析讲解，力求让大家通俗易懂理解AIGC时代的技术浪潮的本质价值：

入浅出完整解析FLUX.2、Seedream（即梦）、Z-image、GLM-Image核心基础知识

4. 深入浅出完整解析FLUX.1 Kontext和FLUX.1 Krea核心基础知识

Rocky对FLUX.1 Kontext和FLUX.1 Krea的核心基础知识作了全面系统的梳理与解析：

深入浅出完整解析FLUX.1 Kontext和FLUX.1 Krea核心基础知识

5. 深入浅出完整解析DeepSeek系列核心基础知识

Rocky对DeepSeek系列模型的核心基础知识作了全面系统的梳理与解析：

深入浅出完整解析DeepSeek系列核心基础知识

6. 深入浅出完整解析Stable Diffusion 3（SD 3）和FLUX.1系列核心基础知识

Rocky对Stable Diffusion 3和FLUX.1的核心基础知识作了全面系统的梳理与解析：

深入浅出完整解析Stable Diffusion 3（SD 3）和FLUX.1系列核心基础知识

7. 深入浅出完整解析Stable Diffusion XL（SDXL）核心基础知识

Rocky对Stable Diffusion XL的核心基础知识作了全面系统的梳理与解析：

深入浅出完整解析Stable Diffusion XL（SDXL）核心基础知识

8. 深入浅出完整解析Stable Diffusion（SD）核心基础知识

Rocky对Stable Diffusion 1.x-2.x系列模型的核心基础知识做了全面系统的梳理与解析：

深入浅出完整解析Stable Diffusion（SD）核心基础知识

9. 深入浅出完整解析Stable Diffusion中U-Net的前世今生与核心知识

Rocky对Stable Diffusion中最为关键的U-Net结构进行了深入浅出的全面解析，包括其在传统深度学习中的价值和在AIGC中的价值：

深入浅出完整解析Stable Diffusion中U-Net的前世今生与核心知识

10. 深入浅出完整解析LoRA（Low-Rank Adaptation）模型核心基础知识

对于AIGC时代中的“ResNet”——LoRA模型，Rocky进行了深入浅出的全面讲解：

深入浅出完整解析LoRA（Low-Rank Adaptation）模型核心基础知识

11. 深入浅出完整解析ControlNet核心基础知识

AIGC图像创作开源社区已经形成以Stable Difffusion/FLUX为核心，ConrtolNet和LoRA作为首要AI辅助工具的变化万千的AIGC图像创作工作流。

ControlNet正是让AI图像创作社区无比繁荣的关键一环，它让AIGC图像创作过程更加的可控，更有助于广泛地将AIGC算法解决方案应用到各行各业中：

深入浅出完整解析ControlNet核心基础知识

12. 深入浅出完整解析Sora、Seedance、keling等AI视频大模型核心基础知识

AI绘画和AI视频是两个互相促进、相互交融的领域，2024年无疑是AI视频领域的爆发之年，Rocky对AI视频领域核心的Sora、Seedance、Keling等大模型进行了全面系统的梳理与解析：

深入浅出完整解析Sora、Seedance、keling等AI视频大模型核心基础知识

13. 深入浅出完整解析AIGC时代Transformer核心基础知识

在AIGC时代中，Transformer为AI行业带来了深刻的变革。Transformer架构正在一步一步重构所有的AI技术方向，成为AI技术架构大一统与多模态整合的关键核心基座，大有一统“AI江湖”之势。Rocky也对Transformer模型进行持续的深入浅出梳理与解析：

深入浅出完整解析AIGC时代Transformer核心基础知识

14. 深入浅出完整解析ComfyUI、Diffusers、Stable Diffusion WebUI等主流AIGC创作框架核心基础知识

AIGC创作框架正是AIGC算法工作流的运行载体，目前主流的AIGC创作框架有ComfyUI、Diffusers、Stable Diffusion WebUI等。在传统深度学习时代，PyTorch、TensorFlow以及Caffe是传统深度学习模型的基础运行框架，到了AIGC时代，Rocky相信ComfyUI就是AIGC时代的“PyTorch”、Stable Diffusion WebUI就是AIGC时代的“TensorFlow”、Diffusers就是AIGC时代的“Caffe”：

深入浅出完整解析ComfyUI、Diffusers、Stable Diffusion WebUI等主流AIGC创作框架核心基础知识

15. 深入浅出完整解析ComfyUI、Diffusers、Stable Diffusion WebUI等主流AIGC创作框架核心基础知识

在AIGC时代中，如何快速转身，入局AIGC产业？如何成为AIGC/LLM/AI Agent算法/开发工程师？如何在学校中系统性学习AIGC/LLM/AI Agent知识，斩获心仪的AIGC/LLM/AI Agent算法/开发offer？

Don‘t worry，Rocky为大家总结整理了全面的AIGC/LLM/AI Agent算法/开发工程师成长秘籍，为大家答疑解惑，希望能给大家带来帮助：

手把手教你成为AIGC/LLM/AI Agent算法/开发工程师，斩获AIGC/LLM/AI Agent算法/开发offer！

16. AIGC产业的深度思考与分析

2023年3月21日，微软创始人比尔·盖茨在其博客文章《The Age of AI has begun》中表示，自从1980年首次看到图形用户界面（graphical user interface）以来，以OpenAI为代表的科技公司发布的AIGC模型是他所见过的最具革命性的技术进步。

Rocky也认为，AIGC及其生态，会成为AI行业重大变革的主导力量。AIGC会带来一个全新的红利期，未来随着AIGC的全面落地和深度商用，会深刻改变我们的工作、生活、学习以及交流方式，各行各业都将被重新定义，过程会非常有趣。

那么，在此基础上，我们该如何更好的审视AIGC的未来？我们该如何更好地拥抱AIGC引领的革新？Rocky准备从技术、产品、商业模式、长期主义等维度持续分享一些个人的核心思考与观点，希望能帮助各位读者对AIGC有一个全面的了解：

深入浅出全面解析AIGC时代核心价值与发展趋势（2025年版）

17. AI算法工程师的独孤九剑秘籍

为了方便大家实习、校招以及社招的面试准备，同时帮助大家提升扩展技术基本面，Rocky将符合大厂和AI独角兽价值的算法高频面试知识点撰写总结成《三年面试五年模拟》之独孤九剑秘籍:

【三年面试五年模拟】AIGC时代的算法工程师的求职面试秘籍（持续更新中）

18. 深入浅出完整解析AIGC时代中GAN（Generative Adversarial Network）系列模型核心基础知识

GAN系列模型作为传统深度学习时代的最热门生成式Al模型，在AIGC时代继续繁荣，作为Stable Diffusion/FLUX系列大模型的“得力助手”，广泛活跃于AlGC图像创作的产品与工作流中：

深入浅出完整解析AIGC时代中GAN（Generative Adversarial Network）系列模型核心基础知识