DeepSeek 認為瓶頸是你的注意力,而非模型

10 月 31 日,DeepSeek Harness 團隊發表了一篇技術筆記,標題為《Super-agent:邁向更自主代理系統的設計探索》。隨文也發布了一個原型。
論述的起點對一家模型公司來說不太尋常。它不從能力談起,而是從人類這一側的限制談起:一個人在品質開始崩壞前,最多只能同時追蹤三到五個進行中的工作階段。當你並行執行多項任務時,最後還是得手動切換上下文,並記住哪個對話裡藏著哪個決策。單一任務的上限來自模型;多任務的上限則來自你。
這是個系統問題,而 DeepSeek 也正是把它當系統問題來處理。
Router 與 Worker
這套架構分為兩層。Router 作為全域協調器持續運行。它會接收你原本就在使用的各種管道傳來的訊息,包括群組聊天、GitHub 和電子郵件,並分派任務。每個 Worker 各自持有自己的上下文並平行執行:重現錯誤、審查 pull request、開發功能。當任務需要進一步擴散時,Worker 可以呼叫 Subagent。
圍繞這套架構的是四項機制:具備兩層過濾的事件驅動分派、非同步多管道互動、儲存與運算分離,以及外部看門狗。

事件驅動的部分,正是自主性主張的核心所在。在 DeepSeek 內部運行的執行個體中,團隊成員只要在群組聊天裡回報軟體問題,即使沒有點名代理,也能觸發它。系統會辨識出潛在缺陷,在背景重現問題,並尋找修正方案。沒有人指派這項任務,也沒有任何東西在等待提示詞。
DeepSeek 列出它鎖定的四項特性:持續性,意指由單一代理橫跨即時通訊與 GitHub,而非各自孤立的工作階段;效率,意指新指令不必等前一項任務完成;主動性,意指它會監看環境事件,在值得關注時採取行動,否則保持沉默;以及持久性,意指永遠在線、接入真實工作環境,並能在長時間執行期間從失敗中復原。
團隊舉的例子很有啟發性。假設你在聊天中提出 A 計畫,後來在 pull request 留言中改變主意,改提 B 計畫。綁定單一工作階段的代理需要有人告訴它;而 Super-agent 則應該會注意到並調整方向。
誠實的免責聲明
DeepSeek 明白表示,這是工程探索,而非產品功能發布。團隊也說,這項設計並未提出新理論。它是把作業系統與分散式系統中已存在數十年的經典系統概念,套用到代理建構上。
這份謙遜是準確的,也是文件裡最有趣的一點。大規模代理的難處在於上下文管理、排程、故障復原與可觀測性;也就是說,這是基礎設施工作,而不是智慧本身的工作。
五天後公布的數字
11 月 5 日,同一團隊公布了 DeepSeek Harness 的社群數據。以官方 API 使用者計算,11 月 4 日的日活躍使用者達到 154 萬,月活躍使用者達到 548 萬,每日 token 消耗量約為 92 兆。
算一下就知道。92 兆 token 分攤到 154 萬日活躍使用者,平均每位日活躍使用者每天約 6,000 萬 token。沒有任何聊天應用會產生這樣的輪廓,代理才會。單一項長時程的程式開發任務,一小時內消耗的 token 可能比一個人在聊天視窗裡打一個月的字還多。
外掛數字更能說明未來的走向。第三方外掛已成長到約 35,000 個,約 60% 的活躍使用者曾製作或安裝至少一個外掛。DeepSeek 表示,將強化外掛 API 的穩定性與相容性、改善外掛安全模型,並建立官方市集,同時也在籌備針對外掛作者的支援計畫。
這是平台化的一步。一旦外掛成為發佈通路,harness 競爭的就不只是模型品質,而是生態系。
為何這在 DeepSeek 之外也重要
有三件事可套用到任何在生產環境運行代理的團隊。
第一,介面就是既有的介面。代理會出現在群組聊天與 pull request 留言裡,而不是要求使用者前往新目的地。Photoshop 從未要求使用者學習一套新應用程式;它活在文件之中。代理平台正在學同一課。
第二,注意力是有限度的資源,而且是沒有人正在擴充的那一種。你可以買更多 GPU,卻買不到一個人同時掌握四條上下文脈絡的能力。每一個把協調工作從人轉移到系統的架構決策,都是在換回這個迴路中最稀缺的輸入。
第三,自行託管協調層正是營運風險所在。一個未經點名就會行動的代理需要看門狗,因為它的故障模式是無聲的:凌晨三點,在一個重要的儲存庫裡,做了某件看似合理卻沒有人要求它做的事。
仍然缺失的部分
文件沒有談到成本控制。一個會分派工作的 Router,加上會按自己排程重現錯誤的 Worker,會自作主張地花錢。92 兆 token 這個數字顯示支出已經很大;但其中有多少產生了任何人想要的成果,則未揭露。
它也沒有處理審查問題。如果代理能因為一則聊天訊息就開啟 pull request,那就得有人審查。DeepSeek 的框架是讓人類往上移動到設定目標與驗收。當驗收判斷很便宜時,這行得通。但在多數工程組織裡,判斷一項修正是否正確才是昂貴的部分,而且不會因為代理變快而縮小。
聽起來像作業系統的部分
拿掉 AI 詞彙後,Super-agent 文件讀起來像一篇關於工作排程的論文。一個長時間運行的協調器接收事件、將它們分類,並把工作分派到隔離的上下文。儲存與運算分開擴充,因此停滯的任務不會占住仍在運行的任務所需的記憶體。外部看門狗會重新啟動任何停止回報的項目。兩層過濾之所以存在,是為了不讓系統每收到群組聊天中的一則訊息就喚醒人類。
這些在分散式系統裡都是已解決的問題。在代理產品中卻尚未解決,因為多數代理產品是以附帶工具的聊天工作階段建構而成,而聊天工作階段沒有並行工作的概念。
有趣的後果在組織層面。如果協調層真的吸收了工作階段管理,那麼迴路中的人類工作就會從操作工具,轉變為撰寫驗收標準。DeepSeek 將人類定位為往上移動到設定目標與驗證。實務上,這意味著關鍵技能從撰寫提示詞,轉向知道「完成」長什麼樣子;這是一種管理技能,而且難教得多。
DeepSeek 自己的總結是,這種工作方式可能成為人機協作的常態。機制本身可信。尚待回答的問題是:組織會圍繞一個永不睡眠的協調器重新組織,還是只是把它硬接到為需要睡眠的人類所設計的流程上。