Mengyao, enviado desde Aofeisi
Quantum Bit | Publicación oficial QbitAI
DeepSeek, ¡tiene nuevos avances!
Y esta vez, la autoridad directamente lo ha enviadoAgente PersonalLa idea de arquitectura subyacente se ha hecho pública.
Es necesario saber que, anteriormente, muchas personas estaban esperando la implementación del “dsh dot” rumorizado por DeepSeek. Sin embargo, esta vez primero se presentó un artículo sobre las ideas de arquitectura aplicadas a la práctica de ingeniería.
Super-agent: Hacia un sistema de agente más autónomo.
¿Qué significa? La IA puede descubrir sus bugs, localizar problemas y incluso enviar propuestas de corrección PR por sí misma, sin la intervención de nadie @ ni instrucciones.
Incluso puede seguir de cerca las notificaciones del grupo de trabajo, colaborar entre plataformas y procesar paralelamente múltiples tareas complejas, e incluso operar en línea las 24 horas del día.
El equipo de DeepSeek también ha mostrado los resultados preliminares de las pruebas reales.
En el entorno de simulación de múltiples tareas, el tiempo mediano para completar las tareas del Super-agent es de 12.4 minutos, y el percentil 95 es de 15.7 minutos, lo que muestra una mejor actuación que el plan tradicional de una sola sesión en la prueba.
La IA realmente comienza a tener la capacidad de pasar de esperar que los humanos distribuyan las tareas uno por uno, a descubrir problemas activamente y llevar a cabo el trabajo de manera continua.
Nadie en el grupo @, la IA ya encontró el bug y envió un PR
En el proceso de desarrollo de software diario, un problema común que enfrentan los desarrolladores es que necesitan cambiar entre diferentes plataformas!!
Por ejemplo, primero discutir el planteamiento técnico en el grupo de chat de IM, luego enviar el código a GitHub, y después modificar la implementación según los comentarios en el PR.
Para los agentes de codificación tradicionales, estas operaciones suelen distribuirse en diferentes sesiones.
Los usuarios deben recordar por sí mismos en qué punto se encuentra cada sesión, y luego proporcionar al AI el contexto relacionado.
El equipo de DeepSeek menciona en el artículo que, según sus observaciones, una persona normalmente solo puede seguir 3 a 5 sesiones activas al mismo tiempo.
Esto plantea un problema: a medida que la capacidad del modelo para procesar tareas individuales es cada vez mayor, la eficiencia de la colaboración en múltiples tareas se vuelve más vulnerable a las limitaciones de la atención humana.
Por coincidencia, el problema que el Super-agente debe resolver es precisamente este.
En los ejemplos que se ejecutan dentro del equipo de DeepSeek, una misma tarea de desarrollo puede continuar desde el grupo de chat de IM hasta la revisión de PR en GitHub.
Por ejemplo, el usuario primero decide adoptar el plan A en el grupo, y posteriormente pide que se cambie a el plan B en los comentarios de GitHub.
Super-agent puede entender que estas dos mensajes pertenecen a la misma tarea, y por lo tanto ajusta la dirección de la ejecución posterior.
El usuario siempre se enfrenta al mismo Agente, y las múltiples sesiones en la capa inferior son gestionadas por el sistema, además de que comienza a participar activamente en el trabajo.
También se utiliza una técnica: Ejecución especulativa (Speculative Execution).
Es cuando la IA descubre que algo necesita ser procesado, puede intentarlo en el backend de antemano.
Por ejemplo, si alguien en el grupo discute un Bug, el Super-agent comienza primero a reproducirlo y buscar la causa. Si finalmente encuentra una solución de reparación simple y viable, entrega los resultados al usuario.
Si no se encuentra ningún resultado válido, se puede permanecer en silencio y evitar molestar; el mismo enfoque puede aplicarse a una asistente personal.
Después de recibir la invitación a la reunión, la IA puede verificar los conflictos en el calendario con anticipación, organizar los materiales relacionados y preparar un borrador de respuesta, esperando la confirmación del usuario.
Esto también corresponde a las cuatro características centrales que DeepSeek propone para el Super-agent:
- Continuidad: Mantener el contexto de las tareas entre sesiones y entre plataformas de trabajo, sin necesidad de explicar repetidamente lo anterior.
- Eficiente: Se ejecutan múltiples tareas complejas en paralelo, y las tareas que tardan en completarse no bloquean la interacción nueva.
- Activo: Observar continuamente los cambios en el entorno y tomar medidas por iniciativa propia cuando sea necesario.
- Permanencia: Operación en línea a largo plazo; en caso de errores, se intentará la restauración automática.
DeepSeek diseñó un sistema de arquitectura de doble capa para este propósito.
La capa superior se llama Router; se puede entender como un desplegador encargado de recibir mensajes y coordinar tareas. La capa inferior se llama Worker; es un conjunto de sesiones de Agentas responsables de ejecutar específicamente las tareas.
En particular, el Router de nivel superior es equivalente a un despachador general, responsable de recibir mensajes, asignar tareas y mantener el contexto global.
El Worker de nivel inferior se encarga de la ejecución específica; varios tareas pueden avanzar simultáneamente, sin interferir entre sí.
Cabe destacar que DeepSeek también ha diseñado especialmente un mecanismo de suscripción y enrutamiento directo.
Por ejemplo, cuando un Worker toma el control de un PR en GitHub, puede suscribirse directamente a los comentarios posteriores.
Después, si alguien presenta sugerencias de modificación, el mensaje se enviará directamente al Worker, sin necesidad de que el Router lo transmita en varias etapas.
De esta manera, las tareas antiguas se siguen gestionando de forma continua, y las nuevas tareas se asignan a tiempo. Todo el sistema funciona de manera más eficiente.
24 horas en línea, recuperación autónoma, tiempo de completación de tareas prácticas más estable
Además de la colaboración en múltiples tareas, para que Super-agent funcione de forma autónoma a largo plazo, es necesario resolver problemas como el filtrado de mensajes, el bloqueo de tareas y la recuperación de situaciones anormales.
Primero, hablemos de filtrado de mensajes.
Cuando el agente se conecta simultáneamente a grupos de trabajo, GitHub, correo y otras plataformas, una gran cantidad de mensajes entrarán continuamente, pero lo que realmente necesita procesar es solo una pequeña parte.
Para ello, DeepSeek diseñó un mecanismo de filtrado de eventos de dos niveles.
Primero, se eliminan los mensajes irrelevantes mediante las reglas del programa; luego, el modelo grande determina si los eventos restantes requieren una acción, reduciendo así el consumo innecesario de Tokens.
Al mismo tiempo, Super-agent también introdujo el bucle ReAct asincrónico.
Cuando la IA realiza tareas que requieren tiempo de ejecución, sigue respondiendo a nuevas instrucciones sin necesidad de esperar a que se complete la tarea anterior. Este mecanismo ya está implementado en DeepSeek Harness, pero aún no está activado por defecto.
En cuanto a estar en línea 24 horas al día, DeepSeek utiliza un enfoque que separa el cálculo, el estado y el entorno de ejecución.
La lógica de cálculo del agente puede ejecutarse en la nube, el estado de la sesión se guarda de forma independiente, mientras que los dispositivos locales mantienen su entorno de trabajo original. Incluso si la computadora está desconectada temporalmente, el agente en la nube puede mantener el estado del trabajo, y las tareas continuarán ejecutándose una vez que los dispositivos vuelvan a conectarse.
Además, el equipo también introdujo un mecanismo independiente de Watchdog.
Es equivalente a una IA especializada en supervisar a otros Agentes, que puede detectar fallos en los programas, determinar si las tareas se encuentran en un ciclo ineficaz o se desvían del objetivo, y intentar intervenir para repararlas.
El equipo de DeepSeek también realizó un conjunto de experimentos preliminares.
Simularon un entorno de colaboración que contiene aproximadamente 300 mensajes y 20 solicitudes de trabajo, en comparación con el Super-agent y el esquema tradicional de una sola sesión con Subagentes, con cada configuración probada 5 veces.
Los resultados muestran que el tiempo mediano para completar la tarea Super-agent es de 12.4 minutos, y el tiempo para la posición 95 de la distribución es de 15.7 minutos.
En el planteamiento tradicional de una sola sesión, bajo indicaciones neutras, el tiempo de completación del trabajo en el 95% inferior alcanza los 29.5 minutos.
Por supuesto, el aumento en la eficiencia también conlleva un cierto costo de tokens.
DeepSeek descubrió que, después de eliminar el mecanismo de conexión directa de eventos, el número de decisiones del Router aumenta aproximadamente un 30%, y la lectura de los tokens de caché aumenta aproximadamente un 37%.
Esto también demuestra que una ruta de eventos razonable puede reducir efectivamente los costos de operación del sistema.
Según este intercambio técnico, DeepSeek está explorando cómo hacer que los Agentes se liberen más de las limitaciones de una sola sesión, logrando una ejecución continua en línea, paralela, respuesta activa y recuperación automática de errores.
Cuando la IA puede gradualmente completar por sí misma tareas complejas, cómo permitir que avance de manera a largo plazo y estable en varios trabajos también se ha convertido en un nuevo problema que los sistemas de Agent deben resolver.
Enlace GItHub:
https://github.com/deepseek-ai/dsh-superagent-prototype