DeepSeek新架构实测数据出来了：任务时间砍掉一半，没人@它也会自己找bug修

10月31日晚上，DeepSeek Harness团队在公众号发了一篇技术文章，标题很朴素：《Super-agent设计探索：迈向更自主的Agent系统》。

文章里有个细节不太寻常。团队说，基于这套架构搭的内部实例已经在跑了，做的事包括：群里有人反馈软件问题，没有人@AI，它自己读出这里可能有缺陷，在后台悄悄复现问题、找修复方案。

不是被动应答，是主动干活。这和过去两年大家熟悉的Agent不是一回事。

实测数据：快了近一倍，而且越忙越快

团队公布了一组合成负载测试：每次约300条消息，其中约20条是工作请求。

也就是说，长尾任务的耗时接近砍半。

Router层的压测结果更反直觉：事件到达速率从每分钟约1条拉到约40条，单个决定分摊的推理时间反而从6.4秒降到1.6秒。系统越忙，单次决策越便宜。传统系统通常相反。

架构上做了什么

文章把方案拆成五块：双层架构、事件驱动、异步多信道交互、存算分离、外部Watchdog。团队自己的归纳是四个词：连续、高效、主动、持久。

拆开看，核心变化是一个判断的转变：模型执行单个任务越来越不需要人盯着了，瓶颈从"模型够不够用"变成了"人的注意力够不够用"。一个人能同时盯几个Agent？两三个就到头了。Super-agent的思路是把会话编排、上下文同步这些繁琐事交给系统底层，人往上走一层，只做决策和验收。

外部Watchdog值得单独说一句。它独立于主系统存在，专门盯着Agent有没有跑偏、卡死或者干出格的事。相当于给AI配了个监工，而不是指望AI自觉。

为什么这件事和GEO有关

表面看这是模型工程新闻，和品牌曝光八竿子打不着。但往下看一层。

过去品牌做GEO，赌的是一个场景：用户在聊天框里问"哪个牌子好"，AI回答时提到你。这个场景的前提是AI"回答问题"。

Super-agent这类架构指向的场景变了：AI在后台持续执行任务——复现bug、审代码、盯数据、做调研。它在干活的过程中会调用工具、查资料、比对来源。品牌被AI"使用"的场景，正在从"被推荐"扩展成"被调用"。

行业数据在往同一个方向走。中泰证券统计，2026年9月Agent的周Token用量已经到了普通人机交互场景的约7倍。Salesforce披露Agentforce相关年度经常性收入超过15亿美元，同比增240%。Agent不是概念，是在跑的生意。

对做GEO的人来说，这意味着一件事：你的内容资产以后可能不是在回答里被引用一次，而是被某个Agent在执行任务的过程中反复读取、校验、引用。什么样的内容经得起这种用法？结构化、事实密度高、来源可校验的那类。营销话术在这种场景里没有任何生存空间——Agent要的是能直接用的信息，不是被说服。

可以做的一件事

不用急着改什么策略。先做个小测试：把你所在行业的一个真实工作场景（比如"整理竞品最近三个月的价格变动"）交给现在支持长任务的AI工具跑一遍，看它在执行过程中读了哪些来源、引用了谁。

如果它读的来源里从来没有你这一类的网站，那说明在"Agent干活"这个正在成形的新场景里，你还不存在。这比排名掉几位更值得警惕。