DeepSeek 把多智能体的调度公开了

十月三十一号晚上，DeepSeek Harness 团队在公众号发了一篇讲 Super-agent 设计探索的文章，把原型放到了 GitHub 上，MIT 许可。

里面有一句话我看了两遍：模型执行单个任务已经不太需要人干预了，但一个人通常只能同时跟进三到五个活跃会话。

瓶颈从模型能力，挪到了人的注意力。

Router 和 Worker，说白了就是分工

架构本身不复杂。Router 是个一直在跑的调度节点，负责接收各个渠道的消息、决定派给谁；Worker 各自在独立的上下文里干活，不直接回话，只把结果报上去。

DeepSeek 自己给的实验数据是：一半任务在 12.4 分钟内完成，95% 的任务在 15.7 分钟内完成。同一批任务里，去掉缓存直通之后，Router 的决策次数多了约三成。它用更多的 token 换了时间和稳定，这话得说在前面。

另一个细节是它把经典系统里的东西搬了进来：事件驱动、两级过滤、存算分离、外部看门狗。说白了就是调度层的老办法，只不过以前调度的是进程，现在调度的是模型。

对汕头潮州揭阳的老板有什么用

说实话，直接用处有限。这是给研发团队的技术架构，不是给门店的工具。

但它透出来的判断能替我们用：多智能体协作的核心不是让 AI 更聪明，是把“同时做几件事”这件事从人的脑子里搬到系统里。你现在同时开着写邮件、查报价、做产品图三个工具，每次都得自己在中间搬东西，那就是你的注意力上限。

再多说一句本地化部署的事。DeepSeek 这套原型是开源的，但开源不等于能直接在你店里跑起来。模型权重下载、显卡、推理服务、跟你的系统对接，每一环都要人。我们帮客户试装的时候，最花时间的从来不是模型本身，是把它接到你现有的东西上。

所以本地部署这条路，先问自己两个问题：这套东西是不是每天都要用？数据是不是不能出门？如果答案都是否，那就先别折腾——用接口，把注意力留给业务。

所以我们给客户的建议是三句。第一，先把重复动作拆成能并行的小任务，别一上来就想做一个全能助手。第二，算力花在能重复的活上，比如每天整理报价、批量写产品描述，这些一周能省下几个小时，比选型重要得多。第三，智能体能读你电脑里的文件，就意味着它能读你的报价单和客户资料，先划清楚哪些目录它不许碰。

如果要用本地模型跑，我们做的是线下大模型部署那一套：机器摆在你店里，数据不出门。多智能体协作听起来贵，但本地跑一次的成本跟调一次接口差不多，账在 1.3B 模型开源了，小老板该关心的不是参数 里算过一遍，选型的坑在 智能体选型，别从哪个模型最强开始。

费用这块是几千到几万的量级，这只是大致区间，具体费用要根据你的实际需求评估——硬件、模型、数据准备量都会影响。规矩是先出需求清单或方案，再给明细报价。

想聊的可以打 13829578822，微信同号。