DeepSeek Super Agent本地实现:5个核心设计+真实任务演示

DeepSeek Super Agent通过总管、隔离、单入口、巡检和持久化五个设计,把人的注意力从多AI窗口的监控中解放出来。
文章介绍了DeepSeek公开的Super Agent设计及其单机开源实现DSH Master Plugin。该设计包含五个核心想法:常驻总管统一分派任务、成员架构隔离、统一决策入口、定时巡检和状态持久化,目标都是减少人在多AI协作中的注意力消耗。作者在一台电脑上实现了插件,并额外增加闸门验收、前情推送和成员手册三层保障。通过63分钟真实任务录像演示,总管能主动提取隐藏约束、不照汇报打勾而是复跑验收,人工拍板全程仅一次。实现做了明确取舍,舍弃云端存算分离和事件触发,巡检与总管同进程属于简化版。文章指出AI协作瓶颈正从模型能力转向人的注意力管理。
从AI助手到AI军团:为什么需要Super Agent?
同时开几个AI窗口干活,最先撑不住的往往不是算力,而是人的注意力。窗口A的结果要手动搬到窗口B,窗口C卡住了得过去看一眼,每个窗口干完还得逐个验收。人成了传话筒、监工和质检员三合一。模型能力越强,你敢开的窗口就越多,要盯的东西也成倍增长。
DeepSeek广告公开过一套叫Super Agent的设计,目标很明确:让人只出现在真正需要人的地方。B站UP主“从AI助手到AI军团”系列的最新一期,把这套设计拆成五个核心想法,并在一台电脑上单机实现了完整插件(DSH Master Plugin),用一段63分钟的真实任务录像逐条验证。本文结合该视频内容和公开设计,梳理这五个想法如何落地,以及实际跑起来会是什么样。

Super Agent的五个核心想法
视频将DeepSeek的设计归纳为五点,每一点都对应一个具体的“省掉”的动作。
想法一:常驻总管——你只跟一个人说话
所有任务都通过一个总管来分派和回话。你不需要在多个窗口之间来回传话,省掉的是“人肉消息总线”的角色。在插件实现里,总管就是一个主窗口加一块看板,任务、成员、进度全部在看板上可视化。
常驻总管(Orchestrator)是Super Agent架构中的核心角色,它本身就是一个大语言模型实例,但被赋予了任务分派、状态管理和对用户回话的专属职责。与普通AI助手不同,常驻总管不直接干活,而是维护一张全局看板,记录每个任务的当前状态、负责人和待决事项。这种设计借鉴了经典的多智能体系统(Multi-Agent System)中的协调者模式,但DeepSeek的版本强调“单入口”原则:用户只与总管交互,所有子任务的结果和问题都经由总管汇总和转达。这样做的好处是避免用户在多个AI窗口间切换时产生上下文丢失,同时让总管掌握全局信息,便于做出更一致的调度决策。
想法二:成员各干各的——分工靠架构,不靠提示词
每个成员是一个独立窗口,干自己那份活,成员之间不互相发消息。视频提到原文做过实验:只给一个主AI配一个助手,不特别提醒时,五次里没有一次主动把活分出去。这说明分工不能指望模型自觉,必须由架构强制隔离。省掉的是你自己拆活、再盯着它分活的精力。
成员隔离(Agent Isolation)指的是每个成员AI运行在独立的会话或进程中,彼此之间不直接通信,所有协作都通过总管和共享状态(如看板、文件系统)间接完成。这种架构强制性地切断了成员之间的消息传递,从而避免了多智能体系统中常见的“串扰”和“回音室”问题——即多个AI互相附和或陷入无意义的对话循环。视频中提到的实验(主AI配助手但从不主动分活)说明,仅靠提示词要求模型“分工”并不可靠,因为模型倾向于独自完成任务以降低协调成本。因此,隔离必须由系统架构保证:成员的输入输出被严格限定在自己的任务范围内,总管负责拆分任务和合并结果。
想法三:只有一扇门——要拍板的事统一找总管
真正需要人决策的事项,由总管统一向你提问,成员不直接打断你。插件里做成一张“等你定”卡片挂在看板上,你点一下,答案直接送到负责的成员那里,总管这一轮甚至不用醒来。省掉的是被每个窗口轮流打断的碎片化干扰。

想法四:巡检系统——定时自己看一眼
插件定时检查:谁很久没回报、谁在等你点、哪个文件被插件以外的方式改过,统一报给总管。如果查到的和上次一样就什么都不发,连模型都不叫醒。视频作者为了录制把巡检调成一分钟一次,平时是十分钟一次。他特别说明这是简化版——巡检和总管跑在同一个程序里。省掉的是你一直盯着屏幕的注意力消耗。
巡检系统本质上是一个轻量级的定时监控进程,它周期性地扫描任务状态、成员心跳和文件变更,并将异常汇总给总管。与事件驱动架构不同,巡检采用轮询模式,实现简单但存在延迟——默认十分钟一次意味着问题最多可能被延迟十分钟发现。视频作者将其调成一分钟一次以方便演示,并指出简化版中巡检与总管同进程运行,这意味着巡检的故障会直接影响总管。在更完整的生产级设计中,巡检通常作为独立服务运行,并配合事件总线(如文件系统监听、消息队列)实现近实时响应。巡检的“无变化则静默”策略是为了减少不必要的模型调用,从而降低成本和注意力干扰。
想法五:状态持久化——随时暂停,回来接着跑
任务书、日志、手册都写在项目里,进度存在插件的库中。插件关了再开,任务和进度还在看板上。点暂停,定时巡检停止;点恢复,继续排期。省掉的是“一离开进度就丢”的焦虑。

本地实现:取舍与增强
作者在一台电脑上做出了单机版DSH插件,并开源到GitHub。实现过程中做了明确的取舍:舍弃云端存算分离;舍弃事件触发;群聊里同一话题直通成员的后台自动修复暂时没做。
在五个核心想法之外,他还额外加了三样东西:
- 闸门验收:成员每做完一道闸门就停下,总管自己跑一遍验证才签字,不照着成员的汇报打勾。
- 前情推送:成员要改一个以前记过日志的文件时,插件先拦截,把当时记下的事推给他看过再改。
- 成员手册:每个成员一本经验手册,记录标准做法、踩过的坑和偏好,每条都标明出处,下次开工先读。
此外还有一道守卫:成员不能自己提交代码,也不能直接改状态文件。
支撑这些的是作者前两期搭建的记忆层——第一期的工作日志目录和决定本,第二期多AI共用的账本,插件复用了同一套思路。这种多源信息的交叉印证,让设计意图在实现层面得到更完整的体现。
状态持久化(State Persistence)是Super Agent能够“随时暂停、回来接着跑”的基础。在DSH插件中,任务书、工作日志、成员手册以文件形式存放在项目目录里,而任务进度、成员状态和待决事项则存在插件的本地数据库(如SQLite)中。这种混合存储策略兼顾了可读性和结构化查询:文件便于人直接查看和版本控制,数据库则支持看板的高效更新和巡检的快速扫描。持久化还带来了一个关键好处——审计追踪。每个任务的派发、验收和人工决策都有记录,事后可以回溯整个协作过程。对于需要长时间运行或跨天完成的任务,状态持久化是避免“人一离开进度就丢”的必要条件。
真实任务全流程演示
视频用一段从空项目开始的真实任务走完全程,用真模型录屏63分钟。
开场:总管自己读出了隐藏需求
新建项目后,总管先把项目翻了一遍,主动说出两条规则:同名文件不能覆盖、隐藏文件不动。这两条是作者事先埋在样例里的,需求里一个字没提。这说明总管具备从上下文中主动提取约束的能力。
随后作者故意在需求末尾加了一句“清单用表格还是一行一个到时候问我”,目的就是触发一张“等你定”的卡片。总管把任务判定为轻任务,没写任务书,直接把要求写进派活说明派给一个成员。
验收:总管不照汇报打勾
成员两分多钟做完,总管没有直接采信汇报,而是拿一份新拷贝重新跑一遍:先试运行计划,再真的整理,再跑一遍看会不会多搬,确认和期望一致才提交。这是作者对“想法一”和“想法二”的额外加强。
提交后看板挂出卡片,问清单格式。作者点“表格”,答案直接送到成员那里,总管这一轮不用醒——这就是“想法三”的一扇门,整个任务里只出现这一次人工拍板。
前情推送:新成员动手前就知道旧规矩
成员第一次改文件被插件拦下,同时推给他一段前情——这个文件以前做过什么、当时定了什么规矩。推送的正是他十分钟前留下的设计。这是第一期工作日志和决定本在起作用。
第二个任务:正式任务书与两道闸门
作者要求撤销功能走正式流程:写任务书、分两道闸门。总管写好任务书派给新成员,第一道记下搬了什么,第二道再做撤销。新成员先读任务书,再读前情,改文件时又被插件拦截推送上一个任务的记录。虽然他是新来的,但上一个任务定下的规矩他动手前就知道了。
成员回报只能用六种状态:进展、等待、受阻、失败、就绪、完成。第一道做完报就绪,停在闸门上等总管验收放行,第二道同理。作者还测试了记录文件损坏、原位置被占、目标文件不见等出错情况,一律不动文件。
巡检与手册
看板时间线上,派活一分钟后巡检报了一个跨任务的关联候选,总管核对后认出撤销功能就是在第一个任务的脚本上加功能,才把两个任务连起来。作者还用脚本偷偷往任务书末尾加了一行,不到一分钟巡检就报出文件被插件以外的方式改过,总管检查后确认只多了一行备注,先原样保留并报告。
成员手册里记着具体经验,比如“期望文件的目录顺序不是标准排序,不能直接逐字按中文对齐,要按显示宽度算”,每一条都有出处。下次开工先读手册,不用从头摸索。
这意味着什么
DeepSeek的Super Agent设计指向一个趋势:AI协作的瓶颈正在从模型能力转向人的注意力管理。五个核心想法本质上是在架构层面把“人”从消息传递、进度监控和反复验收中解放出来,只保留真正需要判断力的决策点。作者的本地实现验证了这套设计在单机环境下的可行性,也暴露了简化版的边界——巡检与总管同进程、云端能力缺失、事件触发未实现。
对于同时开多个AI窗口的开发者来说,这种“总管+成员+看板+巡检”的结构提供了一个可参考的工程范式。插件已开源,地址和安装方法在视频简介和置顶评论中。下一期将讲作者日常使用的版本。
你同时开几个人工智能窗口?欢迎在评论区聊聊你的注意力管理方式。
相关推荐

Gemini 4 Neon发布:前沿智能与高效任务执行的平衡之作
Google DeepMind 发布 Gemini 4 Neon,主打前沿智能与快速端到端任务执行。本文解析其在编程、企业分析、科学推理与网络安全上的基准表现、四档思考等级、定价与安全对齐数据。

AI是全球断网元凶?NSA、FAA接连宕机背后的信任危机
NSA机密网络五天内第四起重大故障,微软称软件bug、FAA否认新AI系统有关、NSA称例行维护。参议员沃纳提出AI加速漏洞发现导致仓促修复的另一种解释,而39%美国人对AI的负面看法让信任危机浮出水面。

机器人开发者自研B-rep内核,测试达3487项
机器人开发者自研B-rep几何内核并编写3,487项测试,探讨机器人领域为何需要专用CAD工具,以及自研内核的机遇与门槛。