AI 界的大堂经理：DeepSeek Super-agent 讲透——Router 与 Worker，做视频的我们需要吗

DeepSeek Harness 团队开源 Super-agent 原型（dsh-superagent-prototype），提出 Router + Worker 双层架构。这一集把原视频的原理讲透，再用咱们自己频道的真实数据算账：什么样的工作强度才值得给 AI 配一个"大堂经理"。 【实测要点】 双层架构：Router 常驻会话只派活不下厨（可不配 Bash），Worker 隔离上下文干活、只汇报不对外；模型分档——Router 轻量、Worker 最强 两级过滤：程序层 Fast Path（白名单/群组范围，零算力挡噪音）→ 语义层 Slow Path（模型研判） 订阅直通：已认领 Thread 的后续消息直达 Worker；拆掉直通 Router 决定数 +30%、读缓存 token 2323万→3177万 上下文当缓存管：Inline & Spill + 链式召回；"浪费上下文窗口，就是浪费模型的智能" 存算分离 BYOM + Watchdog 巡检；异步 ReAct start()/stop() 已在 Harness 实现、默认未开 实验数据：300 条消息夹 20 条请求，Super-agent p50=12.4 / p95=15.7 分钟；单会话+Subagent 中性提示 5 次一次都没委派，p95=29.5 分钟 Router 压测：Trigger 1→40 条/分钟，批量合并后单决定分摊 6.4s→1.6s 【核心论点】 咱们频道 30 天落地 20+ 部成片、单日峰值 6 部；subagent=Worker、后台 job=异步 start/stop——Super-agent 的一半已经用上了。Router 治的是消息洪水，咱们跑的是工序长链：消息流量 × 跨渠道常驻 × 并行会话数破 3~5 天花板，三条同时踩线才值得装。 【时间轴】 00:00 有人转来一个视频：AI 界的大堂经理？ 00:25 为什么存在：瓶颈从模型挪到人（3~5 个会话上限） 00:58 架构五件套总览：全是老办法新搬家 01:34 双层架构 + 模型分档：p95 15.7 vs 29.5 分钟 02:10 两道门加一条直通车：+30% 决定数、token +37% 02:49 缓存化管理 / BYOM / Watchdog / 异步 ReAct 03:30 算咱们自己的账：30 天 20+ 部、十步工序链、≈4 分钟机器时间 04:07 已经用上一半：subagent=Worker、后台 job=start/stop 04:39 三个硬指标对表：流量 / 渠道 / 会话数 05:14 结论 + 下一集预告 【口径说明】 Super-agent 数据来自 DeepSeek Harness 团队 2026-10-31 设计探索文章与 GitHub 原型仓库（官方自称合成负载、研究原型非产品）；频道工作流数据来自本机 projects 目录实测统计。 #本地大模型 #DeepSeek #SuperAgent #DSH #Agent架构 #陕西楞娃