写在前面欢迎大家关注Rocky的知乎Rocky Ding《三年面试五年模拟》AIGC/LLM/AI Agent算法工程师/开发工程师求职面试秘籍独家资源【三年面试五年模拟】WeThinkIn/AIGC-Interview-Book欢迎大家StarRocky最新撰写的10万字AI AgentAI智能体深入浅出全维度解析文章深入浅出完整解析AI AgentAI智能体的核心基础知识AIGC/LLM/AI Agent算法岗/开发岗求职面试内推学习社群涵盖AIGC、LLM大模型、AI Agent、传统深度学习、自动驾驶、机器学习、计算机视觉、自然语言处理、强化学习、大数据挖掘、具身智能、元宇宙、AGI等AI行业最新面试干货经验与核心知识欢迎大家加入https://t.zsxq.com/33pJ0大家好我是Rocky。核心导读一个任务的寿命往往比一次模型会话更长代码问题在群聊里被提出Agent改完代码审查者过几小时才补充意见CI随后又暴露另一处失败。第二天服务重启昨天的分支、讨论和待办还在。此时真正困难的工作已经超出一次模型调用系统要知道谁提出了什么、任务做到哪里、哪些结果已经送出、下一条消息应该交给谁。DeepSeek团队公开的dsh-superagent-prototype提供了一个值得研究的实现起点。它作为DeepSeek Harness的插件围绕单个GitHub仓库工作接收GitHub事件也可接入飞书在独立执行会话和目录中推进任务并把结果送回相关讨论。Rocky认为DeepSeek Super-Agent最有价值的地方是让持续工作有了可以查询、恢复和约束的业务状态。Router和Worker的分工只是入口决定系统能否长期使用的是任务身份、授权依据、事件投递、外部结果和故障恢复能否接起来。必须先说清项目定位官方README将其定义为研究原型明确说明它不是正式DeepSeek产品也不属于可直接视为生产就绪的软件。公开版本经过整理与内部版本及设计文章并不完全相同部分设计仍是后续方向。下面讨论公开原型已经描述和实现的机制不把愿景当成当前能力。图1依据公开领域与架构文档整理。图中的箭头表示职责关系不表示实测延迟或性能优势。它把系统拆成事件进入、授权任务、执行和反馈四个环节。为什么光给Router一个大上下文还不够长上下文可以让模型同时看到更多消息却不能自动保证消息只处理一次、权限不会扩大、工作状态跨重启保留也不能让外部评论与数据库状态同时成功提交。这些是应用系统需要显式承担的责任。DeepSeek Super-Agent用Source表示事件来源用Trigger表示不可变事件用Thread组织讨论上下文。Source保留读取位置过滤机器人的自身消息并把不同平台的事件翻译成统一领域对象。Trigger作为审计和幂等单位使重复接收同一个事件时可以识别它已经存在。Thread不等于任务。同一讨论可能同时涉及两个不同工作项一个任务也可能需要关注Issue、PR、审查和CI等多个讨论串。因此系统允许一个Thread关联多个Ticket并用Subscription表达持续接收关系。这种设计有直接的工程后果任务数量不需要与聊天窗口数量绑定。用户不必为了每个工作项再手动建立一个完全隔离的聊天但系统仍需要保持每项工作的范围和执行状态。对象保存的事实它解决的问题Trigger一个来源事件及其身份、元信息事件去重与追溯Thread事件顺序、评估状态和订阅关系讨论上下文组织Mandate接单依据、策略版本、范围与强度任务为什么可以执行Ticket授权工作的业务身份与输入跨会话保持工作连续性Assignment某次执行器与Ticket的绑定执行失败后可替换与恢复Channel反馈目的地把结果送回相关工作现场这些对象不是为了增加术语而是把原来容易藏在提示词中的事实移到明确状态里。模型可以判断工作意义系统则负责维持对象间的约束。授权与上下文读到一句话不等于获得一项新任务DeepSeek Super-Agent将新任务的接纳分成准入检查与模型研判。准入检查依据来源身份、允许名单、接收范围和策略研判再判断事件是否满足工作规则。模型的判断不会自行改写允许名单。明确请求与推断候选也有区分。项目提供off、observe、auto三种接单模式。off不接受推断来源的候选默认observe会评估并记录“如果自动执行会接单”的结果但不会真正接受推断任务auto才允许符合规则的推断候选进入执行。明确请求在三种模式下均可以工作。这比笼统地说“Agent具有主动性”更有意义。主动处理可以先变成可观察的决策记录让团队检查误接单和漏接单再选择是否扩大自动范围。能看见系统原本会如何行动比只看成功演示更能帮助建立信任。任务接受后Mandate记录当时的范围和策略。后续订阅消息可以作为上下文送给执行器包括审查机器人和CI结果但这些内容不会自动扩大已有授权。若跟进要求超出范围需要重新路由与接单。一个PR评论中出现“顺便把另一个系统也改了”不应仅因它进入上下文就获得执行资格。策略变化同样有时间语义。当前文档说明运行中的评估会因策略版本变化而被丢弃并重新排队受影响的活跃任务收到通知而非一律立刻强杀。已经结束的任务恢复前还要重新验证原授权是否在当前策略下成立。直接把这些行为概括成“改权限立即取消所有任务”会误读实现。需要保持边界领域层对授权的记录和工具规则并不构成操作系统级隔离。它让系统能够说明为什么行动但不能凭此宣称任何提示注入都无法影响执行。Ticket与Assignment分开跨会话恢复才有稳定身份图2解释了DeepSeek Super-Agent的重要拆分。Ticket是业务工作Assignment是某次执行关系。一次执行器启动失败或宿主重启可以结束当前Assignment再在同一任务下创建新的执行关系。执行器默认拥有独立会话和目录目录准备可以使用Git worktree。独立目录减少多个任务同时修改同一工作区的冲突独立会话减少无关上下文混入但两者都不是安全沙箱。这里的“隔离”首先是工作组织意义上的分离。当一个任务被分配出去系统不仅需要记录“已启动”还需要知道输入是否真正进入执行器会话、执行器有没有读到、是否已经反馈。否则进程在消息传递中间重启就会遇到两种错误漏掉一条新要求或把同一要求重新执行一次。原型为输入投递、读取与Assignment恢复保留状态并在恢复提示中要求检查目录、git历史和GitHub再决定是否重复外部动作。这是跨会话工作的关键恢复依赖可核对的事实不能只让新会话相信一段“上一轮已经做完”的自然语言总结。ready为什么不能总是等于done对于没有关联PR的任务ready报告可以结束工作对于有PR的任务ready通常进入待审查状态。相关PR关闭或合并以及是否仍有未处理的恢复工作和跟进输入共同决定Ticket能否结束。因此“生成了补丁”“打开了PR”“审查通过”“PR合并”“最终生效”是不同事实。DeepSeek Super-Agent把部分业务结束条件放在外部线程状态上避免执行器自称完成就直接结束所有后续关注。结束后的任务仍可保留订阅符合规则的人类跟进可能恢复它人工明确停止则有不同的授权语义。系统必须区分自然完成和被要求停止否则一个机器人通知可能在不该继续时重新唤醒工作。最容易被忽略的部分数据库事务与外部副作用图3对应公开架构中的Engine、Store、Effects与Outbox。Engine统一写入Trigger、Thread、Decision、Ticket和Assignment领域命令在事务中更新状态需要执行的外部工作先写入持久队列提交后由适配层处理。假设系统准备接下一个任务并回复“已经开始处理”。如果先发消息、再写数据库进程可能在中间崩溃用户看见已接单系统却没有任务记录。反过来数据库已创建任务而发送失败如果没有持久队列就可能永远没有反馈。Outbox设计把待发送消息及其回执状态保存下来再通过Source的Channel发送。公开文档给出回复失败后的指数退避起始5秒上限300秒并按同一Ticket与对话维护一定发送顺序。不同副作用有不同并发和重试策略不能用一个统一“失败就无限重试”概括。不过持久队列并不自动保证外部操作恰好执行一次。外部平台已经收到消息但响应在网络中丢失时本地可能仍认为失败。是否可以安全重试还取决于幂等键、结果查询和具体接口行为。DeepSeek Super-Agent提供恢复结构不能由此推导出所有外部写入都不存在重复风险。Rocky认为这也是Agent系统与传统可靠应用工程重新汇合的地方。模型负责更灵活的判断事务、队列、回执和幂等仍然负责保护事实一致性。模型能力越强外部动作越多这些机制就越不能省略。并发与恢复让系统忙起来以后仍然能回应人DeepSeek Super-Agent用worker slot限制活跃执行数。准备任务目录、启动执行、唤醒空闲任务都需要考虑容量人类跟进或状态请求可以使用额外的一个槽位并优先于新任务启动。这种安排处理的是一个具体体验问题后台任务很多时用户仍需要能够纠正或继续手头的工作。等待输入、提交待审查结果和后台命令运行具有不同状态。当前执行文档对后台工作规定时间边界并区分任务移交给人工后继续运行的服务与仍占用执行槽位的工作。不能把一个会话轮次结束理解为所有后台工作都已结束。针对网络与模型服务的暂时失败原型执行有限次数的重试持续受阻或失败会进入需要人工介入的状态自动CI和机器人消息不会无休止唤醒它。人的新消息或明确重试可以重新启动处理。这里需要的是故障分类。接口限流通常值得退避重试仓库准备命令失败可能需要修正环境任务定义不完整需要人回答权限不足则需要调整部署。把所有失败都交给同一个“继续努力”的提示词容易造成重复操作与无效消耗。对于长期运行还要区分人工停止和意外故障。部署文档的恢复机制会尊重显式停止标记这避免运维刚关闭服务监控又把它自动拉起。这样的细节没有模型排行榜吸引眼球却决定系统能否融入团队日常。执行权限独立会话不等于安全环境公开部署文档明确Router和Worker预设以运行者的操作系统账号执行使用danger-full-access。凭证包装器默认选择Agent账号但并不隔离进程执行器仍可能通过绝对路径调用程序读取运行账号可访问的文件。因此把“每个Worker一个目录”解释成“每个Worker被完全沙箱化”是不成立的。工作目录、凭证默认选择、工具规则和操作系统访问权限是不同层次。文档建议使用只含Agent凭证的独立操作系统账号实际部署还应根据所接任务配置更明确的运行边界。合并权限也需要单独看。原型默认提示包含自动合并条件但文档明确宿主没有合并专用的决策逻辑要求审批、撤销过期审批等强制约束需要仓库分支保护等外部机制共同承担。提示词中的规则不能替代平台的强制规则。本文没有部署该原型没有配置GitHub或飞书执行账号也没有发送任何外部协作消息。这里讨论的是公开设计对真实运行环境提出的要求。如何评价Super-Agent调度快只是其中一个维度给多个Worker分发任务可能缩短并行工作耗时也可能增加重复修改、冲突解决和人工审查负担。系统是否有用需要同时观察任务交付和团队注意力。评价问题建议记录的指标为什么单看耗时不够任务有没有被正确识别误接单、漏接单、重复接单、越界要求快速接受错误任务会制造额外工作执行是否正确测试结果、人工审查、PR返工与回退完成报告不等于代码可用事件是否可靠处理重复投递、漏消息、恢复后重复副作用正常路径演示看不见故障成本并发是否有收益端到端延迟、排队、冲突和总模型用量任务更快可能来自更高资源投入是否减少人的负担中断次数、有效提醒比例、审查时间更多消息不一定代表更好协作围绕该项目流传的合成负载调度数字没有在本文所核验的公开原型文档中形成完整可复现评测链。因此本文不把这些数字当成当前开源版本的性能结论。要做有效对照应固定任务集合、模型、工具权限、并发预算和成功标准并纳入失败与人工接管。还应主动注入故障重复发送同一事件、在外部写入后模拟超时、在执行中重启宿主、在等待审查时更新策略。可恢复性只有在故障路径上被观察到才算从设计进入证据。Rocky的判断Agent产品的长期能力是持续交付与可恢复协作DeepSeek Super-Agent把视角从单次代码生成扩展到团队工作中的事件、授权、执行和反馈。这种方向的价值在于减少人类搬运上下文、追踪任务和恢复中断的负担。但更自主不应被简单等同于更多自动动作。对团队而言低质量自动回复、重复PR和越界修改都可能抵消节省的时间。能够少打扰、在必要时明确求助、留下可信的工作状态比表面上持续忙碌更有价值。对Agent开发者最值得借鉴的是把业务任务与会话分离让授权范围成为持久事实将外部动作接到事务后的队列并用外部状态定义交付对算法工程师则可以继续研究候选研判、任务关联和恢复上下文的质量对产品团队真正的竞争力要体现在较低的协调成本与可控的失败成本。这个原型提供了清楚的研究路径但尚不能替代真实团队验证。它留给行业的启发是Agent走向长期工作以后模型推理只是其中一层任务系统、运行时和人的协作方式必须一起成熟。推荐阅读1. 深入浅出完整解析AI AgentAI智能体的核心基础知识2025年可以说是AI Agent全面落地应用的元年因此Rocky在持续撰写对AI Agent的全维度解析文章深入浅出完整解析AI AgentAI智能体的核心基础知识2. 深入浅出完整解析扩散模型DDPM、DDIM、Score-Based、SDE、LDM、Classifier/Classifier-Free Guidance、Rectified Flow核心基础知识Rocky对扩散模型的本质原理与和核心基础知识进行了全面系统的深入浅出分析讲解同时不断跟进补充扩散模型的最新技术发展希望能给大家带来帮助深入浅出完整解析扩散模型DDPM、DDIM、Score-Based、SDE、LDM、Classifier/Classifier-Free Guidance、Rectified Flow核心基础知识3. 入浅出完整解析FLUX.2、Seedream即梦、Z-image、GLM-Image核心基础知识Rocky对AIGC时代“中场时刻”之后的主流AIGC创作大模型的核心基础知识进行了全面系统的深入浅出分析讲解力求让大家通俗易懂理解AIGC时代的技术浪潮的本质价值入浅出完整解析FLUX.2、Seedream即梦、Z-image、GLM-Image核心基础知识4. 深入浅出完整解析FLUX.1 Kontext和FLUX.1 Krea核心基础知识Rocky对FLUX.1 Kontext和FLUX.1 Krea的核心基础知识作了全面系统的梳理与解析深入浅出完整解析FLUX.1 Kontext和FLUX.1 Krea核心基础知识5. 深入浅出完整解析DeepSeek系列核心基础知识Rocky对DeepSeek系列模型的核心基础知识作了全面系统的梳理与解析深入浅出完整解析DeepSeek系列核心基础知识6. 深入浅出完整解析Stable Diffusion 3SD 3和FLUX.1系列核心基础知识Rocky对Stable Diffusion 3和FLUX.1的核心基础知识作了全面系统的梳理与解析深入浅出完整解析Stable Diffusion 3SD 3和FLUX.1系列核心基础知识7. 深入浅出完整解析Stable Diffusion XLSDXL核心基础知识Rocky对Stable Diffusion XL的核心基础知识作了全面系统的梳理与解析深入浅出完整解析Stable Diffusion XLSDXL核心基础知识8. 深入浅出完整解析Stable DiffusionSD核心基础知识Rocky对Stable Diffusion 1.x-2.x系列模型的核心基础知识做了全面系统的梳理与解析深入浅出完整解析Stable DiffusionSD核心基础知识9. 深入浅出完整解析Stable Diffusion中U-Net的前世今生与核心知识Rocky对Stable Diffusion中最为关键的U-Net结构进行了深入浅出的全面解析包括其在传统深度学习中的价值和在AIGC中的价值深入浅出完整解析Stable Diffusion中U-Net的前世今生与核心知识10. 深入浅出完整解析LoRALow-Rank Adaptation模型核心基础知识对于AIGC时代中的“ResNet”——LoRA模型Rocky进行了深入浅出的全面讲解深入浅出完整解析LoRALow-Rank Adaptation模型核心基础知识11. 深入浅出完整解析ControlNet核心基础知识AIGC图像创作开源社区已经形成以Stable Difffusion/FLUX为核心ConrtolNet和LoRA作为首要AI辅助工具的变化万千的AIGC图像创作工作流。ControlNet正是让AI图像创作社区无比繁荣的关键一环它让AIGC图像创作过程更加的可控更有助于广泛地将AIGC算法解决方案应用到各行各业中深入浅出完整解析ControlNet核心基础知识12. 深入浅出完整解析Sora、Seedance、keling等AI视频大模型核心基础知识AI绘画和AI视频是两个互相促进、相互交融的领域2024年无疑是AI视频领域的爆发之年Rocky对AI视频领域核心的Sora、Seedance、Keling等大模型进行了全面系统的梳理与解析深入浅出完整解析Sora、Seedance、keling等AI视频大模型核心基础知识13. 深入浅出完整解析AIGC时代Transformer核心基础知识在AIGC时代中Transformer为AI行业带来了深刻的变革。Transformer架构正在一步一步重构所有的AI技术方向成为AI技术架构大一统与多模态整合的关键核心基座大有一统“AI江湖”之势。Rocky也对Transformer模型进行持续的深入浅出梳理与解析深入浅出完整解析AIGC时代Transformer核心基础知识14. 深入浅出完整解析ComfyUI、Diffusers、Stable Diffusion WebUI等主流AIGC创作框架核心基础知识AIGC创作框架正是AIGC算法工作流的运行载体目前主流的AIGC创作框架有ComfyUI、Diffusers、Stable Diffusion WebUI等。在传统深度学习时代PyTorch、TensorFlow以及Caffe是传统深度学习模型的基础运行框架到了AIGC时代Rocky相信ComfyUI就是AIGC时代的“PyTorch”、Stable Diffusion WebUI就是AIGC时代的“TensorFlow”、Diffusers就是AIGC时代的“Caffe”深入浅出完整解析ComfyUI、Diffusers、Stable Diffusion WebUI等主流AIGC创作框架核心基础知识15. 深入浅出完整解析ComfyUI、Diffusers、Stable Diffusion WebUI等主流AIGC创作框架核心基础知识在AIGC时代中如何快速转身入局AIGC产业如何成为AIGC/LLM/AI Agent算法/开发工程师如何在学校中系统性学习AIGC/LLM/AI Agent知识斩获心仪的AIGC/LLM/AI Agent算法/开发offerDon‘t worryRocky为大家总结整理了全面的AIGC/LLM/AI Agent算法/开发工程师成长秘籍为大家答疑解惑希望能给大家带来帮助手把手教你成为AIGC/LLM/AI Agent算法/开发工程师斩获AIGC/LLM/AI Agent算法/开发offer16. AIGC产业的深度思考与分析2023年3月21日微软创始人比尔·盖茨在其博客文章《The Age of AI has begun》中表示自从1980年首次看到图形用户界面graphical user interface以来以OpenAI为代表的科技公司发布的AIGC模型是他所见过的最具革命性的技术进步。Rocky也认为AIGC及其生态会成为AI行业重大变革的主导力量。AIGC会带来一个全新的红利期未来随着AIGC的全面落地和深度商用会深刻改变我们的工作、生活、学习以及交流方式各行各业都将被重新定义过程会非常有趣。那么在此基础上我们该如何更好的审视AIGC的未来我们该如何更好地拥抱AIGC引领的革新Rocky准备从技术、产品、商业模式、长期主义等维度持续分享一些个人的核心思考与观点希望能帮助各位读者对AIGC有一个全面的了解深入浅出全面解析AIGC时代核心价值与发展趋势2025年版17. AI算法工程师的独孤九剑秘籍为了方便大家实习、校招以及社招的面试准备同时帮助大家提升扩展技术基本面Rocky将符合大厂和AI独角兽价值的算法高频面试知识点撰写总结成《三年面试五年模拟》之独孤九剑秘籍:【三年面试五年模拟】AIGC时代的算法工程师的求职面试秘籍持续更新中18. 深入浅出完整解析AIGC时代中GANGenerative Adversarial Network系列模型核心基础知识GAN系列模型作为传统深度学习时代的最热门生成式Al模型在AIGC时代继续繁荣作为Stable Diffusion/FLUX系列大模型的“得力助手”广泛活跃于AlGC图像创作的产品与工作流中深入浅出完整解析AIGC时代中GANGenerative Adversarial Network系列模型核心基础知识