DeepSeek开源的不是模型，是AI的“闭嘴纪律”

DeepSeek开源了一个叫DSH Super Agent的仓库，三天多时间星标冲到12900。如果你只看二手报道，会以为这是又一个“Agent底座架构”的发布。但真正翻代码和文档会发现，它开源的重点压根不在模型能力，而是一套规定得很死的工作纪律：一个AI什么时候可以自己动手，什么时候必须闭嘴，什么话值得占用你的一分钟。

这个判断背后有一个更宏观的转向：Agent这一轮的瓶颈，已经从“会不会干”换成了“人的注意力够不够分”。DeepSeek^广告抢的是调度层这个位置。

瓶颈转移：人在给AI当传话筒

事情的起点是一个特别朴素的观察：一个人同时能盯住的活跃绘画，大概三到五个。可现在的开发流程是散的——方案在群里聊，代码在GitHub上提，改哪里要看PR评论，每一步都在不同窗口。

用单个AI助手的时候，你得自己记住每个绘画说到哪了，再把前情一遍遍喂给模型。等于人在给AI当传话筒。模型单任务越强，这个搬运的活反而越重。

DeepSeek文档里的原话是：“随着模型处理单项任务的能力越来越强，多任务协作的效率，越来越容易受人类注意力限制。”这句话听着像场面话，但整套架构其实就是围着它设计的。

两层结构与“订阅直通”

DSH Super Agent的架构分两层：上层叫Router，像个调度员，接消息、拆任务、维护全局上下文；下层叫Worker，一个任务一个绘画、一个独立的工作目录，几件事并排跑，互不干扰。

真正妙的是中间那根“订阅直通”的管子。一个Worker接手了某个PR，它就订阅了这个PR后面的评论。之后谁在下面提修改意见，消息直接送到这个Worker手里，不用再经过Router转发，也不用你重新交代一遍前情。

反过来，取消这条直通通道的代价被量化得很清楚：Router的决策次数要多三成，读缓存的Token多三成七。省下来的不是人力，是实打实的算力账。这也是整套设计里最值得关注的一笔交换——用架构约束换注意力带宽。

“订阅直通”这个设计在机制上类似于消息中间件里的发布/订阅（Pub-Sub）模式：Worker 作为订阅者绑定到某个具体的事件源（此处是一个 PR 的评论流），事件产生时由事件源直接推送给订阅者，而无需经过中心调度器逐层转发。这样做的好处是消除了一次“Router 接收—解析—再分发”的往返，既降低了调度器的负载，也避免了上下文在转发过程中被截断或重新拼接。代价是订阅关系本身需要被维护和回收——Worker 任务结束后若不及时退订，就可能收到无关消息或造成资源泄漏，这也是“订阅直通”看似简单、实现上却需要精细生命周期管理的原因。

把“烦人”当成故障来处理

第二个设计是把凡人直接当成故障来处理。文档里有个东西叫“投机执行”：群里有人讨论一个BUG，AI先在后台悄悄复现、查原因，找到简单可行的修法就把结果递上来；没找到就保持安静，不刷存在感。

消息进门前还有两道过滤：程序规则先筛掉无关的，再让模型判断要不要动。它还被规定一次只能问一个具体问题，而且要用结构化表单问，不许把关键问题埋在三千字报告的最后一段。

这种“克制”不是体验层的润色，而是把人类注意力当作稀缺资源来调度。多智能体系统里最常见的失败模式不是能力不足，而是噪音过载——每个Agent都在汇报，用户最终关掉所有通知。

“投机执行”在计算机体系结构中有个近亲叫推测执行（Speculative Execution）：CPU 在分支结果尚未确定时先按预测路径把指令跑下去，猜对了就直接用结果，猜错了丢弃并回滚，从而隐藏等待延迟。DSH 文档里的用法是同一思路的语义层移植——AI 在用户明确下达指令前就先行复现和排查，命中可行修法则直接交付，未命中则静默丢弃，不产生任何可见输出。两者的共同前提都是“猜测失败的代价必须足够低且可完全回退”，否则投机就会从节省时间变成制造混乱。

不掉线与数字化的监督

第三块是让它别掉线。计算、状态、执行环境这三样被拆开：Agent的推理在云端跑，绘画状态单独存本地，电脑该关机就关机，等你回来接着干。

旁边还配了个Watchdog看门狗，专门盯别的Agent。程序崩了它能发现，任务在原地打转、偏离目标它也能判断并尝试介入。说白了，这一步是把监督这件事从人身上挪给了一个AI。

**Watchdog（看门狗）**原本是嵌入式与服务器系统中的硬件或软件定时器：被监控的进程需周期性“喂狗”报告存活，一旦超时未响应，看门狗就触发复位或重启。这里把它上移到 Agent 语义层，监控的不再只是“进程是否活着”，还包括“任务是否在原地打转、是否偏离既定目标”这类行为层面的异常。这意味着看门狗需要维护一份对目标状态的轻量理解，判断逻辑比传统的超时计数复杂得多，也因此它本身成为一个可能误判、需要被约束的组件——由 AI 监督 AI，监督者的可靠性就成了新的薄弱环节。

12.4分钟背后的真实收益

数据不算多，但给得实在。团队搭了个模拟环境：三百条消息、二十项工作请求，新架构和单绘画加子Agent的老方案各跑五遍。

任务完成时间中位数12.4分钟，95分位15.7分钟；老方案在中性提示下95分位是29.5分钟。差不多半倍。注意，这不是它让AI变聪明了，而是让二十件事排队的方式变顺了。代价也老实写了：Token花得更多。

泼盆冷水：研究原型，不是官方产品

仓库的readme第一行自己写着：这是研究原型，不是DeepSeek官方产品，可能有bug，工程风格也不统一，要上生产自己改。它现在只面向单个GitHub仓库，可选接飞书；论文里提到的部分设计原型压根没实现。

所以把它读成“开源底座、应用层入场费归零”，是二手报道的加戏。但三天多12900星这个数字不假——大家想要的其实不是那段代码，是那套“什么时候该说话”的规矩。

Agent下一场的分水岭，可能不在谁的模型更聪明，而在谁能替你管住注意力。