万圣节, DeepSeek提交了3.7万行代码! SuperAgent时代开启！

AI Agent

万圣节，DeepSeek团队提交了3.7万行代码过节！SuperAgent时代开启

各位刀友好，我是刀哥！万圣节快乐！

万圣节，别人准备南瓜灯CosPlay，DeepSeek 团队往 GitHub 上放了一份特殊的节日礼物。

北京时间 10 月 31 日，晚上 8 点 05 分，一次提交，216 个文件，新增 37068 行。

项目叫：dsh-superagent-prototype。

好家伙，别人出门过节，他们给 AI 安排上了工作。

3.7 万行包括源代码、测试、文档和依赖文件，这是一个逐步积累、整理后公开的版本，不能理解成团队当天手写了 3.7 万行代码。

更有意思的是，DeepSeek 在项目说明里坦言：其中相当一部分工程工作，本来就是 Coding Agent 完成的。

AI 参与开发了一套用来管理 AI 的系统。

真正让我感兴趣的，是它可能解决一个大家越来越熟悉的烦恼：AI 工具越用越多，自己反而越来越忙。

开一个窗口写方案，再开一个查资料，另一个改代码，还有一个做图。

听起来，一个人带了四个助手。

实际情况呢？

第一个忘了你的要求，第二个还在跑，第三个等你确认，第四个把人物画成了六根手指。

你在几个窗口之间切来切去，复制材料、解释背景、检查结果。

忙活半天，自己的正事还没开始。

原来以为请了几个助手，结果先给自己增加了一份调度员的工作。

这也是为什么，有些人用了很多 AI，依然觉得累：AI 接走了部分执行工作，但任务之间的协调，还牢牢压在人身上。

我上一篇写 WorkBuddy 和 LibTV 做视频，已经有过一点类似感受。任务交给工具后，我可以出门，让它继续生成，再通过手机调整要求。人真正需要花心思的地方，是想清楚内容、挑版本和改方向。

假如同时做十条视频、三份方案、两个项目呢？

谁来记住每件事做到哪了？

Super-agent 要探索的，就是这件事。

它安排了两个角色：Router 和 Worker。

Router 可以理解成项目协调员，负责接收消息、判断事情该交给谁、跟进任务之间的关系。Worker 是具体干活的同事，每项工作有自己的上下文和工作目录。

比如同时来了三件事：客户反馈一个问题，测试发现一个故障，同事提出一个小改动。

系统把它们分给不同的 Worker。大家分别处理，结果再汇总回来。

你面对的是一个统一入口，背后可以有多个任务同时推进。

源码里还有一个挺体贴的小设计：正常任务有并发限制，但会给人的追问留出额外调度空间。

意思是，AI 忙着干活的时候，你说“先停一下，需求变了”，系统也要给你插得上话的机会。里能看到这个安排。

这类细节，比“同时启动一百个 Agent”的宣传更接近真实工作。

另一个变化，是 AI 开始根据事件行动。

过去，我们需要把问题重新整理一遍，再发给 AI。

按照 DeepSeek 文章描述的内部实践，群聊里出现 Bug 反馈，就可能触发后台调查：尝试复现、定位问题、寻找修复办法，最后拿着可审查的结果回来。

这很像一位有经验的同事。听见大家讨论问题，他先查一下，确认有帮助，再加入讨论。

当然，积极也得有边界。

谁都不想在群里随口说一句“这个页面有点丑”，第二天发现 AI 已经把整个产品重新装修了。

公开原型在这方面相当克制：主动模式默认是 observe，也就是先记录“我本来会接这个任务”，并不直接启动工作。确认规则合适后，才逐步切换到自动执行。默认策略源码写得很清楚。

先看它会不会判断，再决定让它动多少手。

这个方法，普通人用 AI 也值得学。

还有一个细节容易被忽略：任务需要有自己的档案。

客户上午在群里提问题，下午补一份资料，晚上又改了要求，这些应该属于同一件事。

系统要知道目标是什么、已经尝试过什么、哪些结果有效、下一步等谁。

这套原型用工单、订阅关系和数据库保存这些状态，并处理重试与中断恢复。

换句话说，工作能够持续推进，靠的是模型能力，加上一整套扎实的工程机制。

看到这里，有刀友可能已经想装了。

稍等，先认清版本。

目前公开的是研究原型，主要服务单个 GitHub 仓库的研发协作，还不是装上就能包办全公司工作的正式产品。

官方也明确表示，公开版本与内部系统、文章描述并不完全相同，一些设计仍属于探索方向。(官方项目说明:/deepseek-ai/dsh-superagent-prototype)。

文章谈到的云端运行、本地设备离线后恢复，也有实际条件。依赖你电脑上某个文件或程序的步骤，电脑离线时当然不能凭空完成。

它让我们看见一种方向，但距离随便部署、放心托管，还有工程工作要做。

不过，思路可以先用起来。

以下几个例子，是沿着这种架构推演的应用，并不代表这个仓库已经开箱支持。

做内容的刀友，可以让 AI 持续收集选题信号、核验资料，准备不同角度的提纲。你选中一个方向后，它再推进文案、配图和视频素材。最后交付时，把事实出处、素材来源和待确认内容一起带回来。

你的精力更多放在判断：这个选题值得说吗？表达像不像自己？读者看完能带走什么？

做销售和售前的，可以从一次客户来询开始。AI 整理需求，查已有产品资料，找出需要补问的信息，准备方案和跟进草稿。客户补充材料后，继续更新同一份任务。

价格、交付承诺和关键沟通由人决定。大量反复翻资料、搬信息的工作，可以逐步交出去。

做研发和运营的，更容易找到切入口。

接口异常了，AI 先收集日志、关联最近变更、尝试复现，再准备修复方案和验证结果。人看到的是一份带证据的处置材料。

做财务的，也可以先从对账异常调查入手。金额匹配交给确定性的程序，AI 负责寻找差异原因、汇总合同依据、整理待处理事项。

这些场景共同的特点是：有明确触发、有材料可查、有结果可以验收。

所以，想把 AI 用深，可以先给它一份具体的工作说明。

不要只说：“你是我的超级助理，帮我提高效率。”

试试这样写：

当收到客户的接口异常反馈时，创建一条调查任务。

只读取获准使用的工单和脱敏日志，整理异常时间、影响范围、可能原因及证据。

缺少必要信息时，集中列出问题。

完成后提交一份调查卡片，不修改生产配置，不直接联系客户。

相同问题合并处理，达到时间或费用上限后停止并说明进展。

这里已经交代了六件事：什么时候开始、能看什么、要交什么、哪些动作需要人决定、什么时候停止、如何避免重复劳动。

比起再收藏十个万能提示词，这种工作说明更容易产生稳定收益。

实际落地，我建议分三步。

第一步，拿历史任务练习。挑十个真实案例，让 AI 处理，再和已有结果比较。看看它会漏什么、误判什么，哪些材料必须补齐。

第二步，接入真实事件，但先只交调查结果和草稿。观察一段时间，确认它没有制造更多无用任务。

第三步，逐项开放那些已经验证过、影响可控、能够撤回的动作。

每前进一步，都看实际结果。

原型里的 Worker 可以以运行者的系统身份执行命令，独立目录也不等于安全沙箱。所以，技术团队真要部署，专用账户、数据权限和执行隔离必须落实；一句“请注意安全”管不住系统权限。dsh-superagent-prototype的部署文档也明确提醒了这一点。

说到这里，还得给产能算一笔账。

假设原来一项工作需要你做一小时。AI 接手后，你花十分钟审查、五分钟修改，这确实释放了时间。

但如果它交来十份材料，每份都要看半小时，还夹着几个错误，你的工作可能更重。

AI 的产量上去以后，验收会成为新的瓶颈。

因此，我更愿意看两个数字：一周多完成了多少件合格的事，以及每件事总共花了多少成本。

这个成本里，要算 Token，也要算人的审查、返工和系统维护。

写出一百个选题，不等于做出了好内容；生成几十个策略，不等于获得了稳定收益；提交一堆代码，也不等于交付了可用产品。

让 AI 多干活的同时，我们也得学会把“什么叫干好了”讲清楚。

这也是普通人在 SuperAgent 时代值得积累的能力：理解业务、拆解任务、提供可靠材料、设计验收标准。

你越了解一项工作，越有机会把其中可重复的部分交给 AI，腾出时间处理新的问题。

DeepSeek 这次万圣节提交，是他们正在把日常工作中遇到的协调难题，一项项做成系统。

未来的 AI 助手，可能会少问几次下一步要做什么，多交几份你真正用得上的结果。

我对这种未来挺期待。

尤其期待周五下班前，它发来的消息是：

材料和验证结果已经整理好了，需要你决定的只有这一项。

刀友们，如果能先让 AI 持续接走一件工作，你最想交出去的是什么？