DeepSeek открыла архитектуру Super-agent для автономных ИИ-агентов

DeepSeek выложила в открытый доступ архитектуру Super-agent — системы, которая, по замыслу команды, должна вывести ИИ-агентов на новый уровень самостоятельности. Речь идёт не о готовом продукте и не о том самом загадочном «dsh dot», которого ждали многие, а о техническом описании инженерного подхода. Впрочем, заявленные возможности выглядят серьёзно: агент способен сам находить баги, разбираться в причинах и отправлять pull request — без упоминаний и прямых команд со стороны человека.

Суть проблемы, которую решают разработчики, знакома каждому, кто работает в IT. В течение дня приходится прыгать между платформами: обсудить техническое решение в командном чате, затем зайти на GitHub, открыть код, дождаться комментариев к PR и внести правки. Для традиционного агента, работающего в режиме кодинга, эти действия разбросаны по разным сессиям, и человеку приходится самому держать в голове, на каком этапе находится каждая задача, и заново пересказывать контекст. По наблюдениям команды DeepSeek, один человек обычно может одновременно вести от трёх до пяти активных сессий. И вот парадокс: чем лучше модели справляются с отдельными задачами, тем сильнее общая эффективность упирается в человеческое внимание.

Super-agent призван снять это ограничение. Во внутренних тестах DeepSeek одна и та же задача разработки могла тянуться от обсуждения в мессенджере до ревью на GitHub. Скажем, в чате команда решила пойти по варианту А, а потом в комментариях к PR кто-то попросил переделать на вариант Б. Система понимает, что оба сообщения относятся к одной работе, и корректирует направление. Пользователь всё время имеет дело с одним и тем же агентом, а множество сессий под капотом система ведёт сама.

Ключевая идея — так называемое спекулятивное исполнение. Если агент замечает, что что-то может потребовать внимания, он заранее пробует разобраться в фоне. Кто-то в чате упомянул баг — Super-agent начинает воспроизводить проблему и искать причину. Нашёл простое решение — отдаёт результат пользователю. Не нашёл — молчит и не мешает. Тот же принцип работает и в личном ассистенте: получив приглашение на встречу, ИИ может заранее проверить конфликты в календаре, собрать материалы и подготовить черновик ответа, дожидаясь подтверждения.

Отсюда четыре характеристики, которые команда закладывает в систему: непрерывность — контекст сохраняется между сессиями и платформами, не нужно каждый раз объяснять предысторию; эффективность — несколько сложных задач идут параллельно, долгие операции не блокируют новые; проактивность — агент наблюдает за обстановкой и действует, когда это необходимо; и долговечность — работа в режиме 24/7 с попытками автоматического восстановления при сбоях.

Архитектурно это устроено двухслойно. Верхний слой — Router, своего рода диспетчер, который принимает сообщения, распределяет задачи и держит общий контекст. Нижний — Worker, набор агентских сессий, которые непосредственно исполняют работу, причём несколько задач могут продвигаться одновременно, не мешая друг другу. Отдельно продуман механизм подписки и прямого прохода: если Worker взял GitHub PR, он может подписаться на последующие комментарии, и новые замечания попадут к нему напрямую, минуя Router. Старые задачи остаются под присмотром, новые распределяются вовремя.

Есть и решения для фильтрации сообщений: двухуровневая система сначала отсекает лишнее по программным правилам, а затем большая модель решает, нужно ли реагировать на оставшееся, — это экономит токены. Плюс асинхронный цикл ReAct, позволяющий агенту отвечать на новые команды, пока выполняется долгая операция. Для круглосуточной работы вычисления, состояние и среда исполнения разделены: логика крутится в облаке, состояние сессии хранится отдельно, а локальная среда остаётся на устройстве — даже если компьютер offline, облачный агент продолжит задачу и подхватит её, когда устройство вернётся в сеть. Наблюдает за всем этим отдельный Watchdog — ИИ, который следит за другими агентами, выявляет сбои, зацикливания и отклонения от цели и пытается вмешаться.

Первые замеры: в симуляции с примерно 300 сообщениями и 20 рабочими запросами медианное время выполнения задачи у Super-agent составило 12,4 минуты, 95-й процентиль — 15,7 минуты. У традиционной схемы с одной сессией при нейтральном запросе 95-й процентиль достигал 29,5 минуты. Правда, за эффективность приходится платить: при отключении прямого прохода число решений Router растёт примерно на 30 процентов, а чтение кэша токенов — на 37 процентов. Так что разумная маршрутизация событий напрямую влияет на стоимость работы системы. Судя по публикации, DeepSeek движется к тому, чтобы агенты перестали быть привязанными к одной сессии и научились работать непрерывно, параллельно и с самовосстановлением.