最近我们在客户回访时，聊到 DeepSeek，除了模型能力和价格，很多客户开始问一个新问题：DeepSeek Super-agent 到底是什么？它能不能像一个真正的助理一样，自己把事情做完？
Super-agent 不是一款新模型，也不是 DeepSeek 上线了一个人人都能一键使用的“超级助手”。 2026 年 10 月 31 日，DeepSeek Harness 团队公开的是一套让 AI Agent 持续工作、同时处理多项任务的设计思路，并放出了一个开源研究原型。DeepSeek 官方原型仓库还特别说明：它仅供研究参考，不是正式的 DeepSeek 产品，也不建议直接当作生产系统使用。
那这件事为什么值得关注？因为它讨论的不是“AI 能回答多难的问题”，而是另一件更贴近生活的事：当我们把五件事同时交给 AI，它能不能有条不紊地做完，还不用我们一直催？
一、DeepSeek Super-agent 到底是什么？
以前是“你问一句，它做一件事”
普通聊天 AI 很像一位随叫随到的顾问：你发一个问题，它给一个答案。更进一步的 AI Agent 不只会回答，还能调用工具、查网页、整理表格、修改代码，尝试交付一个完整结果。
但当任务变多，麻烦就来了。
比如，我们在一个窗口让 AI 整理竞品资料，在另一个窗口让它检查网站问题，第三个窗口让它准备周报。过了一会儿，还得自己记住每个窗口进行到哪一步，哪个任务卡住了，哪个需要补充信息。
DeepSeek 团队在设计文章里提到，按他们的观察，一个人通常只能同时跟进 3～5 个活跃会话。当然，并不是说所有人都只能跟进这个数量，但当同时关注多个任务后，精神消耗会加大，所以这里有一个很实际的问题：AI 可以同时开展很多任务，但人的注意力有限，难以同时跟进。
“一个总管，多个执行者”，我只想让 AI 帮我把事做了
Super-agent 的想法可以用一个小团队来理解：
- Router（任务总管）：记住我们交代过什么、接收新消息、把工作分出去，但不亲自埋头干活。
- Worker（执行者）：每个执行者有自己的任务和工作记录，可以同时做不同的事，做完再向总管汇报。
- 事件触发：有人在群里提出问题、GitHub 出现新评论、自动测试失败，系统可以判断要不要跟进。
- Watchdog（值班检查员）：留意任务是不是卡住、跑偏，必要时让系统重新处理。
我们觉得这套设计最有意思的地方不是“又多了几个 AI Agent”，而是它想让用户不用操心 AI 背后开了多少个会话。
DeepSeek 将目标概括为四件事：持续保持上下文、多个任务并行、主动响应环境变化、长时间运行并恢复异常。
二、真的会更快吗？
我们来看看团队测了什么，这次实验用的是模拟的工作环境：每轮约 300 条群聊和 GitHub 事件，其中约 20 条是真正的工作请求；每种方案重复运行 5 次。为了把“任务调度”单独拿出来分析，实验里的编程工作由一个只消耗时间的工具来模拟。
测的是如何分配、接收、完成多项工作。
| 设计方式 | 任务耗时 P50 | 任务耗时 P95 | 每轮实验的缓存读取 Token |
|---|---|---|---|
| Super-agent（完整设计） | 12.4 分钟 | 15.7 分钟 | 约 2320 万 |
| Super-agent（去掉事件直通） | 12.6 分钟 | 15.5 分钟 | 约 3180 万 |
| 单会话 + Subagent（普通提示） | 20.4 分钟 | 29.5 分钟 | 约 610 万 |
| 单会话 + Subagent（优先委派提示） | 13.8 分钟 | 29.0 分钟 | 约 1080 万 |
从表里，我们注意到了很有趣的三点：
第一，任务多的时候，稳定性可能比单次速度更重要。完整 Super-agent 的 P95 是 15.7 分钟，对比普通单会话方案的 29.5 分钟，尾部完成时间约缩短 47%。
第二，提醒 AI“尽量把任务交给子助手”，还不够。在这组实验里，普通提示下，模型 5 次都没有调用 Subagent；换成“优先委派”的提示后，5 次中有 4 次委派了任务，但 P95 仍然是 29.0 分钟。
第三，快不一定更便宜。完整 Super-agent 一轮实验的缓存读取量约 2320 万 Token，而普通单会话方案约 610 万。它用更多上下文处理资源换来了更可预测的完成时间。另一方面，事件直通机制把缓存读取量从约 3180 万降到 2320 万，说明系统设计也会影响开销。
三、和 Manus、Genspark、OpenClaw、ChatGPT Work 有什么区别？
“Super Agent”听起来像一个统一的产品类别，但实际并不是。有些产品已经把任务执行包装成普通人能直接使用的服务；有些则提供可以自行部署和改造的基础框架。
| 产品或方案 | 它主要在解决什么问题？ | 更适合谁？ | 使用门槛 |
|---|---|---|---|
| DeepSeek Super-agent 原型 | 长期接收事件、分配任务、协调多个执行会话，当前原型以 GitHub 工作流为主 | 开发者、研究 Agent 系统的团队 | 较高：需要自己配置和维护 |
| Genspark Super Agent | 把研究、文档、表格、设计等多步任务交付成成果 | 希望少折腾、直接拿结果的普通用户 | 较低：使用现成产品 |
| Manus | 让 AI 使用云端电脑处理网页、文件、应用和定时工作 | 研究、运营、日常办公用户 | 较低到中等：视任务和连接权限而定 |
| OpenClaw | 在自己的设备或服务器上运行可通过聊天软件使用的长期助理 | 喜欢自己掌控数据和工具的用户 | 较高：需要安装、配置和维护 |
| ChatGPT Work | 跨网站、文件和应用完成研究、分析与交付物 | 需要处理复杂办公任务的用户 | 较低：使用托管产品，能力随账号而异 |
Genspark Super Agent：更像一个会交作业的助理
它可以把一句需求拆成几个步骤，调用工具，最后交付调研、演示文稿、数据分析或其他文件。新版 Super Agent 还支持在云端环境运行任务、把流程保存成可重复使用的 Skill，以及并行推进多个任务。
如果我们想要的结果是“整理十家公司的资料，再做成一份能看的演示文稿”，这类成品型 Agent 更容易理解：不用先研究底层的 Router、Worker，直接告诉它要交付什么。
Manus：更强调从任务走到实际操作
它具有网页调研、应用连接、自动化、云端电脑等能力。官方云端电脑说明还提到，持久运行的云端环境能保存文件和安装的工具，适合运行脚本、机器人和重复任务。
对普通用户来说，我们会把它理解为“给 AI 一台可工作的电脑”。如果任务涉及打开网页、处理文件、定期检查变化，Manus 的产品定位比较直接。
OpenClaw：想自己养一个长期在线的 AI 助理
我们把它定位为可自托管的 Agent 网关。它能连接 Telegram、WhatsApp、Slack 等聊天渠道，也支持定时任务、工具调用和多个 Agent 的路由。
如果我们希望“在聊天软件里发消息，让自己的服务器去处理”，OpenClaw 很值得了解。但代价是要自己负责部署、安全权限、模型费用和日常维护。它和 DeepSeek Super-agent 一样，值得关注的除了 Agent 的能力，还有自行部署的需求。
ChatGPT Work：把复杂办公任务交给云端 Agent
它可以在网站和已连接的应用之间获取资料，分析数据，并制作表格、幻灯片等交付物。对于不想自己搭服务的人，这也是一条路线。
我们认为它和 Genspark、Manus 更接近“直接使用的工作产品”，而 DeepSeek Super-agent 原型更像“开发者研究如何把这种系统搭起来的样例”。这不是谁高级、谁低级，而是所处的产品层级不同。
四、我们是怎么选择的？
我们先选了三个场景：
- 查资料：“请查找三家公开网站的最新服务介绍，给出功能对比表，每条关键结论附原始来源，不确定的地方标出来。”
- 做文件：“根据提供的五页产品资料，整理一个面向新用户的 8 页演示文稿，不能编造客户数量和销售数据。”
- 做持续任务：“每周检查一次指定网页的价格变化，只在确实发生变化时通知我们，并保存对比记录。”
在评估时，我们把任务拆成几个明确的可量化指标，而不是凭感觉说“它很聪明”：
| 指标 | 我们怎么记录 |
|---|---|
| 完成率 | 10 个验收点，有几个真正通过 |
| 人工干预 | 中间需要我们重新解释、点击或纠正多少次 |
| 交付时间 | 从下达任务到拿到可验收结果用了多久 |
| 来源可靠性 | 抽查 5 个关键结论，有几个能被原始网页支持 |
| 成本 | 实际消耗的积分、额度或 API 费用 |
同一任务至少重复 3 次，再对比结果波动。需要注意：第三个持续任务必须真的等待触发并验证恢复能力，不能只看 Agent 有没有回复“已设置成功”。研究原型和现成产品也不一定具备完全相同的接入方式，无法运行的项目要标“未适配”，而不是算成模型能力差。
这套方案是我们自己在用的方法，有兴趣的可以试试。
五、普通用户现在能怎么体验 DeepSeek 这条路线？
我们会把“试 DeepSeek 的模型”“试 DeepSeek 的 Agent 工具”“部署 Super-agent 原型”分成三件事。
如果只是想看 DeepSeek 能不能帮忙写东西、分析资料：可以先从我们提供的 DeepSeek V4 Flash 在线体验入手。先用一个简单、可核对的问题试输出质量，没必要一开始就部署一整套 Agent。
如果希望用 Agent 完成更多操作：可以查看 DeepSeek Harness 官方公开预览版。它面向文档、表格、研究和代码等工作。
如果想研究多任务 Agent 的底层实现：再去看 dsh-superagent-prototype 和 部署说明。目前公开原型主要围绕一个 GitHub 仓库运行。我们建议从最小权限开始，不要直接让研究代码自动修改关键生产项目。
六、DeepSeek 模型和 Super-agent，究竟有什么关系？
这也是我们一直在向客户解释的：模型提供理解与推理能力，Agent 系统负责让模型持续收到任务、调用工具、执行步骤、保存状态、交付结果。
比如，一个“每周竞品动态助手”可以这样工作：程序先抓取公开网页的新内容，再让模型提取变化，最后由系统保存记录并发送经过审核的摘要。模型负责读懂内容，定时执行、网页抓取、权限控制和通知并不会因为换了一个模型就自动出现。
API Hop 当前提供的是多种模型及数据 API 的统一接入，开发者可以通过 DeepSeek V4 Flash 或 DeepSeek V4 Pro 的 API，给自己开发的 Agent 提供语言理解和推理能力；任务调度、工具执行和长期记忆仍需要由所选框架或业务系统实现。
模型能力也有独立的衡量方法。比如，DeepSeek API 官方更新日志记录，2026 年 7 月发布的 V4 Flash 在 Terminal-Bench 2.1 上得到 82.7 的官方成绩。这能帮助我们判断它在特定代码 Agent 测试中的能力，却不能证明“DeepSeek Super-agent 就能完成 82.7% 的现实生活任务”。模型成绩和整套系统的完成率不能混为一谈。
七、大家最关心的几个问题
DeepSeek Super-agent 能直接下载使用吗？
可以下载的是研究原型代码，不是已经打磨好的普通用户一键安装应用。实际使用需要部署 DeepSeek Harness 及相关依赖，配置 GitHub 等入口。想先体验 DeepSeek 的 Agent 能力，更建议查看 Harness 公开预览版。
Super-agent 是完全免费的吗？
原型代码采用 MIT 开源许可证，但运行还可能涉及模型 API、计算资源和部署维护成本。开源不等于长期运行零费用。
它能自己发邮件、修改文件、提交代码吗？
这要看具体产品或原型接入了哪些工具、有哪些授权，以及运行规则怎么设。我们建议把发信、支付、删除文件、代码合并等操作设为需要人工确认，先让 AI 完成草稿和建议，再逐步扩大权限。
哪款 Agent 最值得先试？
我们会先看工作是什么：调研和交付文档，优先尝试现成的云端 Agent；想长期连接聊天软件，再研究 OpenClaw；想理解团队任务调度的技术架构，可以阅读 DeepSeek 的 Super-agent 原型。不要因为名字里都有“Agent”，就假设它们解决的是同一个问题。
最后，聊聊我们的看法
我们觉得，DeepSeek 这次 Super-agent 最值得关注的，并不是它给 Agent 起了一个更响亮的名字，而是它认真讨论了一个长期被忽略的问题：当 AI 真正开始替我们工作，谁来负责安排任务、管理上下文、发现异常，以及让人只在必要时出面？
从官方实验看，把任务分工写进系统架构，确实可能比只靠一句“请多用子助手”的提示更稳定。但我们同样看到了代价：更多的运行环境、更多的上下文处理、更复杂的权限和恢复机制。一个跑得快却经常做错事、需要我们反复检查的 Agent，未必真的节省时间。
我们判断，未来普通用户选择 AI 助手时，可能越来越少问“你用了哪个模型”，而是更关心三件事：事情有没有真的做完、做错了能不能发现、花了多少钱和多少人工精力。
这也是我们运营 API Hop 时希望坚持的方向：先把模型能力、成本与适用场景讲清楚，再把模型和数据服务接入真正有用的工作流程。模型和数据是重要的一部分，但可靠的 Agent，最终要靠可以验收的结果说话。