DeepSeek Super-Agent อธิบาย: วิธีที่ตัวแทนการเขียนโค้ด AI แบบโอเพ่นซอร์สท้าทาย Claude Code

DeepSeek Super-Agent นำเสนอแนวทางที่แตกต่างในการพัฒนาซอฟต์แวร์ที่ช่วยโดย AI โดยการเคลื่อนย้ายออกจากการประชุมการเขียนโค้ดเป็นครั้งๆ ไป ไปสู่ระบบที่ทำงานอย่างต่อเนื่องซึ่งสามารถจัดการกับงานหลายประเภทพร้อมกันได้

พัฒนาจาก DeepSeek Harness สถาปัตยกรรมนี้รวมเอา Router กลาง การประชุม Worker อิสระ การทำงานอัตโนมัติตามเหตุการณ์ และหน่วยความจำถาวร การออกแบบมีเป้าหมายเพื่อลดการประสานงานด้วยมือและอนุญาตให้นักพัฒนา AI ตอบสนองต่อกิจกรรมการพัฒนาโดยไม่ต้องรอคำสั่งจากมนุษย์อย่างต่อเนื่อง

โครงการนี้ดึงดูดความสนใจในฐานะแนวทางโอเพนซอร์สในการเขียนโค้ดอัตโนมัติ โดยเฉพาะในการสนทนาเกี่ยวกับวิธีที่นักพัฒนา AI อาจท้าทายเครื่องมือเช่น Claude Code อย่างไรก็ตาม สถาปัตยกรรมที่เผยแพร่โดย DeepSeek เป็นข้อเสนอการออกแบบทางเทคนิค ในขณะที่การดำเนินการโอเพนซอร์สที่แนบมาชัดเจนว่าเป็นต้นแบบการวิจัยมากกว่าผลิตภัณฑ์เชิงพาณิชย์ที่เสร็จสมบูรณ์

ข้อคิดสำคัญ

• DeepSeek Super-Agent แนะนำสถาปัตยกรรมหลายเอเจนต์ที่แยกการประสานงานงานออกจากการดำเนินการ ซึ่งช่วยให้สามารถดำเนินการเขียนโค้ดหลายงานได้พร้อมกัน
• องค์ประกอบทางสถาปัตยกรรมหลักห้าประการ ได้แก่ Router และระบบ Worker สองระดับ ทริกเกอร์ที่ขับเคลื่อนตามเหตุการณ์ การโต้ตอบแบบอะซิงโครนัส สภาพแวดล้อมการคำนวณและการดำเนินการที่แยกกัน และ Watchdog อิสระ
• ต้นแบบ dsh-superagent-prototype สาธารณะแสดงให้เห็นถึงส่วนหนึ่งของแนวทางนี้ แต่ไม่ใช่ผลิตภัณฑ์ที่พร้อมใช้อย่างเป็นทางการ และไม่ใช่คุณลักษณะทางสถาปัตยกรรมทุกอย่างที่อธิบายในการวิจัยที่ถูกนำไปใช้

DeepSeek Super-Agent คืออะไร?

DeepSeek Super-Agent เป็นแนวทางทางสถาปัตยกรรมสำหรับนักพัฒนา AI อัตโนมัติที่ออกแบบมาเพื่อจัดการกับงานหลายงานอย่างต่อเนื่องแทนที่จะทำงานผ่านการสนทนาที่แยกออกจากกัน

แนวคิดนี้มาจากทีม DeepSeek Harness ซึ่งโต้แย้งว่านักเขียนโค้ดแบบดั้งเดิมมีขีดจำกัดพื้นฐาน: พวกเขาขึ้นอยู่กับเซสชันแต่ละรายการอย่างมาก

เมื่อผู้พัฒนาจัดการหลายโครงการหรืองานเขียนโค้ดพร้อมกัน พวกเขามักต้องเปลี่ยนระหว่างเซสชัน จัดเตรียมข้อมูลบริบทซ้ำแล้วซ้ำอีกและติดตามความก้าวหน้าด้วยตนเอง

สถาปัตยกรรม Super-Agent ของ DeepSeek มีเป้าหมายที่จะขจัดภาระการประสานงานส่วนใหญ่เหล่านี้

แทนที่จะจัดการกับการสนทนาแต่ละรายการในฐานะสภาพแวดล้อมการทำงานอิสระ มันได้นำเสนอสวนกลางที่รักษาบริบททั่วโลกและมอบหมายงานแต่ละอย่างให้กับเอเจนต์การดำเนินการแยกต่างหาก

นี่สร้างระบบ AI ที่สามารถ:

• จัดการหลายงานพัฒนาพร้อมกันได้
• รักษาบริบทข้ามช่องทางการสื่อสารที่แตกต่างกัน
• ติดตามเหตุการณ์ที่เข้ามาจากสภาพแวดล้อมการพัฒนา
• เริ่มทำงานโดยไม่ต้องรอคำสั่งโดยตรงทุกครั้ง
• ดำเนินต่อไปแม้ว่าอุปกรณ์ท้องถิ่นของผู้ใช้จะถูกปิดออฟไลน์ โดยมีเงื่อนไขว่าสิ่งโครงสร้างพื้นฐานที่จำเป็นต้องมีอยู่

แนวคิดพื้นฐานคือทำให้นักพัฒนา AI ทำงานได้เหมือนกับผู้ร่วมงานดิจิทัลอัตโนมัติมากกว่าผู้ช่วยเขียนโค้ดแบบดั้งเดิม

ลักษณะสี่ประการของ Super-Agent

DeepSeek ระบุว่าลักษณะพื้นฐานสี่ประการกำหนดสถาปัตยกรรม Super-Agent ที่เสนอของตน

1. ต่อเนื่อง

เอเจนต์รักษาบริบทที่สอดคล้องกันข้ามช่องทางการสื่อสารที่แตกต่างกัน

ตัวอย่างเช่น ผู้พัฒนาอาจพูดคุยเกี่ยวกับฟีเจอร์ในกลุ่มสนทนาและภายหลังให้คำแนะนำเพิ่มเติมผ่านความคิดเห็นใน GitHub Pull Request ระบบควรจดจำว่าการโต้ตอบทั้งสองอยู่ในงานเดียวกัน

2. ผลผลิต

เอเจนต์สามารถจัดการกับหลายงานที่ซับซ้อนได้พร้อมกันแทนที่จะรอให้การดำเนินการหนึ่งสิ้นสุดก่อนที่จะรับคำสั่งอื่น

สิ่งนี้มีประโยชน์โดยเฉพาะสำหรับทีมพัฒนาที่จัดการการแก้ไขข้อบกพร่อง การตรวจสอบโค้ดและฟีเจอร์ใหม่พร้อมกัน

3. เชิงรุก

เอเจนต์ติดตามกิจกรรมในสภาพแวดล้อมที่เชื่อมต่อของตนและระบุเหตุการณ์ที่อาจต้องการการดำเนินการ

แทนที่จะรอให้ผู้พัฒนาอธิบายปัญหาทุกประการ มันสามารถตรวจสอบปัญหาที่เกี่ยวข้องและเตรียมโซลูชันที่เป็นไปได้ตามนโยบายที่กำหนดไว้ล่วงหน้า

4. ถาวร

ระบบออกแบบมาให้คงออนไลน์และรักษาสถานะการทำงานของตน

มันสามารถกู้คืนจากความล้มเหลวของโครงสร้างพื้นฐานบางประการและดำเนินการในสภาพแวดล้อมการดำเนินการที่แตกต่างกันแทนที่จะพึ่งพาอุปกรณ์ท้องถิ่นที่ทำงานต่อเนื่องอันเดียว

ลักษณะเหล่านี้ร่วมกันแสดงถึงการเปลี่ยนแปลงไปสู่ระบบ AI ที่จัดการกับกระบวนการทำงานทั้งหมดแทนที่จะเป็นคำขอการเขียนโค้ดทีละรายการ

DeepSeek Super-Agent ทำงานอย่างไร

นวัตกรรมหลักเบื้องหลัง DeepSeek Super-Agent คือสถาปัตยกรรมของระบบ

แทนที่จะอนุญาตให้เซสชัน AI หนึ่งจัดการกับการโต้ตอบทุกอย่างและดำเนินการทุกงาน ระบบจะแยกความรับผิดชอบระหว่างส่วนประกอบที่แตกต่างกัน

DeepSeek อธิบายโมดูลทางสถาปัตยกรรมหลักห้าโมดูล

1. สถาปัตยกรรมสองระดับ: Router และ Worker

สถาปัตยกรรมสองระดับแยกการประสานงานทั่วโลกออกจากการดำเนินการงาน

มันประกอบด้วยสองส่วนหลักคือ:

ชั้น Router

Router ทำหน้าที่เป็นระบบการประสานงานกลาง

มันรับคำแนะนำที่เข้ามาจากช่องทางที่แตกต่างกัน รักษาบริบททั่วโลกและตัดสินใจว่างานใหม่ควรถูกส่งไปที่ไหน

ที่สำคัญคือ Router ไม่ได้ดำเนินการงานการพัฒนาด้วยตัวเอง ความรับผิดชอบหลักคือการประสานงานระบบและสื่อสารกับผู้ใช้

การแยกส่วนนี้ช่วยป้องกันไม่ให้เซสชันกลางมีภาระงานที่ยาวนานมากเกินไป

ชั้น Worker

คนงานเป็นเซสชัน AI ที่เป็นอิสระ มีหน้าที่ในการดำเนินการงานแต่ละงาน

แต่ละคนงานมีบริบทและเครื่องมือการดำเนินการที่แยกจากกัน สามารถตรวจสอบข้อบกพร่องพัฒนา ฟีเจอร์ รีวิวโค้ด หรือดำเนินการอื่น ๆ ที่ได้รับมอบหมาย

คนงานไม่ได้สื่อสารโดยตรงกับผู้ใช้ แต่จะรายงานความก้าวหน้าและผลลัพธ์ให้กับ Router ซึ่งจัดการการสื่อสารภายนอก

โครงสร้างนี้ช่วยให้ระบบสามารถดำเนินการหลายงานพร้อมกันโดยไม่ผสมผสานบริบทของงาน

ตัวอย่างเช่น ทีมพัฒนาสามารถมอบหมายคนงานอิสระสามคนให้ทำงาน:

• ตรวจสอบข้อบกพร่องซอฟต์แวร์ที่ถูกแจ้ง
• รีวิว Pull Request ที่มีอยู่
• พัฒนาฟีเจอร์ใหม่

Router จะรักษามุมมองของทั้งสามงานในขณะที่คนงานแต่ละคนมุ่งเน้นไปที่ความรับผิดชอบที่ได้รับมอบหมาย

นี่แตกต่างจากการขอให้ AI เอเจนต์สร้างซับเอเจนต์หลายตัว การออกแบบของ DeepSeek ทำให้การมอบหมายเป็นส่วนหนึ่งของสถาปัตยกรรมระบบแทนที่จะพึ่งพาโมเดลเพียงอย่างเดียวในการตัดสินใจเมื่อใดควรมอบหมาย

2. ทริกเกอร์ที่ขับเคลื่อนด้วยเหตุการณ์

เอเจนต์การเขียนโค้ดแบบดั้งเดิมมักจะรอการกระตุ้นจากผู้ใช้ก่อนที่จะเริ่มดำเนินการ

DeepSeek Super-Agent เสนอระบบที่ขับเคลื่อนด้วยเหตุการณ์ซึ่งกิจกรรมภายนอกสามารถกระตุ้นการตอบสนองโดยอัตโนมัติ

กิจกรรมเหล่านี้เรียกว่า ทริกเกอร์

พวกมันสามารถมาจาก:

• ข้อความการสนทนากลุ่ม
• ความคิดเห็นใน Pull Request บน GitHub
• การสนทนาเกี่ยวกับการรีวิวโค้ด
• ผลลัพธ์การรวมอย่างต่อเนื่อง
• อีเมลและการแจ้งเตือนปฏิทิน
• สภาพแวดล้อมการพัฒนาที่เชื่อมต่ออื่น ๆ

อย่างไรก็ตาม ไม่ใช่ทุกกิจกรรมที่เข้ามาต้องการการตอบสนองจาก AI

ในการจัดการสิ่งนี้ DeepSeek นำเสนMechanismการกรองสองขั้นตอน

Fast Path: การกรองแบบโปรแกรมมิ่ง

ระบบจะใช้กฎที่แน่นอนกับกิจกรรมที่เข้ามาก่อน

กฎเหล่านี้สามารถตรวจสอบแหล่งที่มาของกิจกรรม สิทธิ์ผู้ใช้ การตั้งค่ากลุ่ม และเงื่อนไขที่กำหนดไว้ล่วงหน้า

ข้อความที่ไม่เกี่ยวข้องจะถูกกรองออกก่อนที่จะถึงโมเดลภาษาขนาดใหญ่

Slow Path: การกรองเชิงความหมาย

กิจกรรมที่ผ่านการคัดกรองเบื้องต้นจะถูกประเมินโดยโมเดล AI

โมเดลจะพิจารณาบริบทและคำสั่งที่กำหนดไว้ล่วงหน้าเพื่อตัดสินใจว่ากิจกรรมใดต้องทำการตอบสนองหรือไม่

แนวทางนี้ช่วยลดการเรียกโมเดลที่ไม่จำเป็นและช่วยป้องกันไม่ให้เอเจนต์ตอบสนองต่อข้อความทุกข้อความที่พบเจอ

การจัดเส้นทางเหตุการณ์และการจัดการบริบท

DeepSeek ยังแนะนำกลไกการสมัครสมาชิกที่เชื่อมโยงคนงานเข้ากับกระทู้การสนทนาที่เฉพาะเจาะจง

ตัวอย่างเช่น เมื่อคนงานถูกมอบหมายให้ตรวจสอบปัญหาใน GitHub มันสามารถสมัครสมาชิกกับการสนทนาที่เกี่ยวข้อง

ความคิดเห็นถัดไปในกระทู้นั้นสามารถส่งตรงไปยังคนงานโดยไม่ต้องให้ Router ประมวลผลการอัปเดตทุกครั้ง

สถาปัตยกรรมยังใช้เทคนิคสองอย่างชื่อว่า Inline และ Spill

• Inline: วางข้อมูลที่เกี่ยวข้องโดยตรงในบริบทของโมเดล
• Spill: เก็บข้อมูลเพิ่มเติมนอกหน้าต่างบริบทและดึงมันกลับมาเมื่อจำเป็น

ร่วมกับ Chain of Recall เทคนิคเหล่านี้ช่วยให้ระบบดึงข้อมูลที่เกี่ยวข้องผ่านการอ้างอิงระหว่างงาน กระทู้ และเซสชันก่อนหน้า

สิ่งนี้สำคัญเพราะเอเจนต์ที่ทำงานต่อเนื่องต้องจัดการข้อมูลมากกว่าการสนทนาเดียวที่สามารถเก็บรวมกันได้อย่างสบาย

การดำเนินการโดยคาดเดา

อีกหนึ่งฟีเจอร์ที่สำคัญคือการดำเนินการโดยคาดเดา

ระบบสามารถเริ่มต้นการตรวจสอบปัญหาที่อาจเกิดขึ้นก่อนที่จะได้รับคำสั่งที่ชัดเจนในการทำภารกิจให้เสร็จสิ้น

ตัวอย่างเช่น เมื่อผู้พัฒนารายงานปัญหาซอฟต์แวร์ในการสนทนากลุ่ม เอเจนต์สามารถเริ่มทำการจำลองข้อบกพร่องและตรวจสอบการแก้ไขที่เป็นไปได้ในพื้นหลัง

หากพบวิธีแก้ปัญหาที่ถูกต้อง มันสามารถเตรียม Pull Request

หากการตรวจสอบไม่ทำให้ได้ผลลัพธ์ที่มีประโยชน์ เอเจนต์สามารถรักษาความเงียบ

แนวทางนี้มุ่งหวังที่จะลดเวลารอในขณะที่หลีกเลี่ยงการหยุดชะงักที่ไม่จำเป็น

3. การโต้ตอบหลายช่องทางแบบเต็มสองทาง

ความท้าทายหลักสำหรับตัวแทนอิสระคือการจัดการคำสั่งใหม่ในขณะที่งานที่มีอยู่ยังคงดำเนินอยู่

ในลูป ReAct แบบซิงโครนัสทั่วไป เซสชันจะรอให้การเรียกเครื่องมือเสร็จสิ้นก่อนที่จะดำเนินการขั้นตอนการวิเคราะห์ถัดไป

DeepSeek เสนอวิธีการแบบอะซิงโครนัส

แทนที่จะรอการดำเนินการที่ใช้เวลานาน ตัวแทนสามารถเริ่มงานพื้นหลังและส่งคืนการแจ้งเตือนสถานะทันที

งานจะดำเนินต่อไปโดยอิสระ เมื่อเสร็จแล้ว ผลลัพธ์จะถูกส่งมอบเป็นเหตุการณ์ใหม่

นี่ทำให้ระบบสามารถ:

• ยอมรับคำสั่งใหม่ในขณะที่งานพื้นหลังยังดำเนินอยู่
• ดำเนินการหลายๆ งานโดยไม่บล็อกการสนทนาหลัก
• หยุดคำสั่งพื้นหลังที่ใช้เวลานานเกินไป
• รักษาการสื่อสารข้ามช่องทางที่แตกต่างกัน

DeepSeek Harness ได้ดำเนินการฟังก์ชันงานอะซิงโครนัสนี้แล้ว แม้ว่าบทความวิจัยจะระบุว่าไม่ได้เปิดใช้งานโดยค่าเริ่มต้น

สถาปัตยกรรมยังรับรู้ว่าช่องทางการสื่อสารที่แตกต่างกันต้องการสไตล์การตอบสนองที่แตกต่างกัน

ตัวอย่างเช่น การสนทนากลุ่มจะได้รับประโยชน์จากการอัปเดตที่สั้น ขณะที่คำขอ Pull ของ GitHub และเอกสารทางเทคนิคต้องการคำอธิบายที่ละเอียดมากขึ้น

Router จัดการปฏิสัมพันธ์ภายนอกเหล่านี้เพื่อให้ Workers สามารถมุ่งเน้นไปที่การดำเนินการโดยไม่ทำให้ผู้ใช้รู้สึกท่วมท้นด้วยการวิเคราะห์ภายในหรือบันทึกเครื่องมือ

4. แยก Compute, State และ Execution Environments

ตัวแทน AI ท้องถิ่นแบบดั้งเดิมมักจะขึ้นอยู่กับสามส่วนที่ทำงานบนอุปกรณ์เดียวกัน

1. ทรัพยากรการประมวลผลที่ดำเนินการตัวแทน
2. สถานะเซสชันที่รักษาข้อมูลการสนทนาและงาน
3. สภาพแวดล้อมการดำเนินการที่มีคลังข้อมูล ไฟล์ และเครื่องมือพัฒนา

นี่สร้างข้อจำกัด

เมื่ออุปกรณ์ท้องถิ่นเข้าสู่โหมดสลีปหรือถูกตัดการเชื่อมต่อ ตัวแทนอาจหยุดทำงาน

DeepSeek เสนอการแยกส่วนต่างๆ เหล่านี้

การแยก Compute และ State

Agent Loop สามารถดำเนินการในคลาวด์คอนเทนเนอร์ ขณะที่ข้อมูลเซสชันถาวรถูกเก็บแยกต่างหาก

นี่หมายความว่าสภาพแวดล้อมการประมวลผลสามารถเริ่มต้นใหม่หรือขยายโดยไม่สูญเสียสถานะที่เก็บของตัวแทน

การแยก Compute และ Execution Environment

ขั้นตอนที่สองแยกตัวแทนที่ใช้คลาวด์ออกจากสภาพแวดล้อมการพัฒนาที่ทำงานของมัน

แทนที่จะย้ายทุกคลังข้อมูลและการกำหนดค่าท้องถิ่นไปยังคลาวด์ สถาปัตยกรรมเปิดโอกาสให้ตัวแทนเชื่อมต่อกับเครื่องพัฒนาที่มีอยู่ผ่าน daemon จุดสิ้นสุดที่เบา

วิธีการนี้สนับสนุน BYOM หรือ Bring Your Own Machine

นักพัฒนาสามารถรักษาสภาพแวดล้อมการทำงานที่มีอยู่ไว้ในขณะที่อนุญาตให้ตัวแทนที่ใช้คลาวด์เข้าถึงเมื่อจำเป็น

ยังสนับสนุนสภาพแวดล้อมการประมวลผลที่ใช้คลาวด์ด้วย

ข้อได้เปรียบคือความยืดหยุ่น: ตัวแทนไม่ถูกผูกติดกับเครื่องเดียว ในขณะที่นักพัฒนาจะไม่จำเป็นต้องย้ายกระบวนการพัฒนาทั้งหมด

5. Watchdog: การตรวจสอบและการกู้คืนอัตโนมัติ

ส่วนที่ห้าคือ Watchdog

ตัวแทนอิสระที่ทำงานนานต้องการมากกว่าการตรวจสอบโครงสร้างพื้นฐานแบบพื้นฐาน

กระบวนการอาจยังคงทำงานอยู่แม้ว่าตัวแบบ AI จะติดอยู่ในลูปที่ไม่มีประสิทธิผลหรือไม่สามารถทำความก้าวหน้าได้ตามวัตถุประสงค์ที่กำหนด

DeepSeek แก้ปัญหานี้ผ่านเซสชัน Watchdog ที่เป็นอิสระ

Watchdog ทำงานอยู่นอกระบบตัวแทนหลักและตรวจสอบสุขภาพของโครงสร้างพื้นฐานและความก้าวหน้าของงาน

ความรับผิดชอบของมันรวมถึง:

• ตรวจจับความล้มเหลวของ API และโครงสร้างพื้นฐาน
• ระบุการกู้คืนเซสชันที่ล้มเหลว
• ตรวจสอบว่า Workers กำลังทำความก้าวหน้าที่มีความหมายหรือไม่
• รับรู้เมื่อใดที่ตัวแทนได้หลุดออกจากวัตถุประสงค์
• ตรวจสอบความล้มเหลวชั่วคราวอีกครั้ง
• ช่วยรักษาระบบผ่านการปรับเปลี่ยนคำกระตุ้นและกฎการกระตุ้น

เนื่องจาก Watchdog เองเป็นเซสชันตัวแทนที่เข้าถึงเครื่องมือได้ ผู้ดูแลระบบจึงสามารถถามคำถามเกี่ยวกับปัญหาการทำงานด้วยภาษาแบบธรรมชาติ

นี่ทำให้ Watchdog เป็นส่วนประกอบที่สำคัญของสถาปัตยกรรมถาวรที่เสนอ

DeepSeek Super-Agent vs Claude Code: ความแตกต่างคืออะไร?

การเปรียบเทียบระหว่าง DeepSeek Super-Agent และ Claude Code เป็นเรื่องเกี่ยวกับวิธีการของพวกเขาในการพัฒนาซอฟต์แวร์ที่ช่วยโดย AI

ทั้งคู่เกี่ยวข้องกับการทำงานของการเขียนโค้ดอัตโนมัติ แต่จุดโฟกัสทางสถาปัตยกรรมแตกต่างกัน.

Claude Code คือเอเจนต์การเขียนโค้ด AI ที่ออกแบบมาเพื่อทำงานโดยตรงกับที่เก็บโค้ด สภาพแวดล้อมของเทอร์มินัล และเครื่องมือพัฒนา มันสามารถเข้าใจโค้ดเบส แก้ไขไฟล์ ประมวลผลคำสั่ง และช่วยเหลือเกี่ยวกับ Pull Requests.

DeepSeek Super-Agent มุ่งเน้นไปที่สถาปัตยกรรมการประสานงานที่กว้างขึ้นซึ่งเชื่อมต่อเอเจนต์หลายตัว งาน และสภาพแวดล้อมการสื่อสาร.

ความแตกต่างนั้นสำคัญ.

DeepSeek ไม่ใช่แค่การนำเสนอผู้ช่วยการเขียนโค้ดอีกหนึ่งตัว การวิจัยของมันมุ่งเน้นไปที่วิธีที่ระบบเอเจนต์อัตโนมัติควรจัดระเบียบงานข้ามหลายภารกิจและสภาพแวดล้อม.

Claude Code ในขณะเดียวกันก็ให้การทำงานในการเขียนโค้ดที่ใช้งานได้จริงสำหรับนักพัฒนา รวมถึงการวิเคราะห์ที่เก็บโค้ด การแก้ไขโค้ด การทดสอบ และการทำงานอัตโนมัติในการพัฒนา.

ทำไมสถาปัตยกรรมของ DeepSeek อาจท้าทายเอเจนต์การเขียนโค้ดที่มีอยู่

ส่วนที่น่าสนใจที่สุดในวิธีการของ DeepSeek คือความพยายามในการลดจำนวนความสนใจของมนุษย์ที่จำเป็นในการจัดการเอเจนต์ AI.

ด้วยการทำงานตามเซสชันแบบดั้งเดิม นักพัฒนามักจำเป็นต้องตรวจสอบการสนทนาหลายครั้งและถ่ายโอนข้อมูลระหว่างกันด้วยตนเอง.

DeepSeek มุ่งหวังที่จะทำให้การประสานงานนี้เป็นความรับผิดชอบภายในระบบ.

สถาปัตยกรรมเราเตอร์และผู้ทำงานอาจมีประโยชน์โดยเฉพาะสำหรับทีมที่จัดการที่เก็บโค้ดหลายแห่ง การตรวจสอบโค้ดที่กำลังดำเนินการ และภารกิจการพัฒนาพร้อมกัน.

อย่างไรก็ตาม ข้อเสนอทางสถาปัตยกรรมไม่ควรถูกตีความอัตโนมัติว่าเป็นหลักฐานของประสิทธิภาพในการเขียนโค้ดที่เหนือกว่า.

การทดลองเบื้องต้นของ DeepSeek ประเมินการจัดตารางเวลาและการประสานงานเป็นหลัก ไม่ใช่ความสามารถในการผลิตโค้ดที่ดีกว่า Claude Code.

ดังนั้น การเปรียบเทียบควรถูกเข้าใจว่าเป็นความแตกต่างทางสถาปัตยกรรมแทนที่จะเป็นการจัดอันดับประสิทธิภาพที่ยืนยันแล้ว.

การทดลองเบื้องต้นของ DeepSeek Super-Agent แสดงอะไร?

DeepSeek ได้ทำการทดลองเบื้องต้นเพื่อตรวจสอบว่าสถาปัตยกรรมระดับสองของมันสามารถปรับปรุงการประสานงานของงานเมื่อเปรียบเทียบกับวิธีเดียวหรือไม่.

การทดลองครั้งแรกใช้ภาระงานที่จำลองซึ่งเกี่ยวข้องกับการสนทนากลุ่มและข้อความ GitHub CI.

แต่ละการออกแบบได้รับข้อความประมาณ 300 ข้อความ รวมถึงคำขอการทำงานจริงประมาณ 20 ข้อความ.

มีการทดสอบการกำหนดค่าทั้งสี่แบบ:

• Super-Agent.
• Super-Agent โดยไม่มีการผ่านข้อมูล.
• เซสชันเดียวกับ Subagent โดยใช้คำแนะนำที่เป็นกลาง.
• เซสชันเดียวกับ Subagent โดยใช้คำแนะนำแบบมอบหมายก่อน.

การกำหนดค่าทุกแบบถูกทดสอบห้าครั้ง.

ผลลัพธ์ที่รายงานคือ:

ผลลัพธ์ชี้ให้เห็นว่า Super-Agent ทำงานเสร็จเร็วขึ้นและสม่ำเสมอยิ่งขึ้นในสภาพแวดล้อมที่ทดสอบ.

เวลาที่เสร็จสิ้นโดยเฉลี่ย 12.4 นาทีต่ำกว่าผลลัพธ์ 20.4 นาทีจากการตั้งค่าการถามที่เป็นกลางแบบเซสชันเดียวอย่างมาก.

อย่างไรก็ตาม, การทดลองยังเผยให้เห็นถึงการแลกเปลี่ยน.

Super-Agent ใช้โทเค็นการอ่านแคชมากขึ้นเพราะมันรักษาหลายเซสชันที่เป็นอิสระ.

สิ่งนี้ชี้ให้เห็นว่าการปรับปรุงความสามารถในการทำงานพร้อมกันและการประสานงานอาจต้องการทรัพยากรคอมพิวเตอร์เพิ่มเติม.

การทดลองการจัดกลุ่มโรเตอร์

DeepSeek ยังทดสอบว่าโรเตอร์ของมันจัดการกับจำนวนเหตุการณ์ที่เข้ามาเพิ่มขึ้นอย่างไร.

เมื่ออัตราการมาถึงเพิ่มขึ้นจากประมาณหนึ่งถึง 40 Triggers ต่อหนึ่งนาที:

• ขนาดกลุ่มเฉลี่ยเพิ่มขึ้นจาก 1.0 เป็น 2.8.
• เวลาแต่ละคำขอเพิ่มขึ้นจาก 2.5 เป็น 3.9 วินาที.
• เวลาเฉลี่ยในการอนุมานต่อการตัดสินใจลดลงจาก 6.4 เป็น 1.6 วินาที.

ผลลัพธ์ชี้ให้เห็นว่าการจัดกลุ่มเหตุการณ์ที่เข้ามาสามารถปรับปรุงประสิทธิภาพการประมวลผลของโรเตอร์ได้.

อย่างไรก็ตาม, DeepSeek ระบุอย่างชัดเจนว่าการทดลองเหล่านี้เป็นเพียงเบื้องต้น.

ปริมาณงานเป็นข้อมูลจำลอง, การดำเนินการด้านการเขียนโปรแกรมถูกจำลอง, และผลลัพธ์วัดการจัดการและการประสานงานมากกว่าคุณภาพการพัฒนาซอฟต์แวร์ที่แท้จริง.

ดังนั้นควรถือว่ามันเป็นหลักฐานทางสถาปัตยกรรมในระยะเริ่มต้น, ไม่ใช่หลักฐานอิสระว่า DeepSeek Super-Agent สร้างโค้ดที่ดีกว่าหรือมีประสิทธิภาพมากกว่าตัวแทนการเขียนโปรแกรมที่มีอยู่ในยุทธศาสตร์การพัฒนาในโลกจริง.

DeepSeek Super-Agent เป็นโอเพนซอร์สอย่างเต็มที่หรือไม่?

DeepSeek ได้เผยแพร่การนำเสนอการวิจัยแบบโอเพนซอร์สชื่อ dsh-superagent-prototype.

มันออกแบบมาเป็นตัวแทนการเขียนโปรแกรมเชิงรุกสำหรับคลังข้อมูล GitHub เดียวและบรรจุสำหรับ DeepSeek Harness.

ต้นแบบสามารถฟังกิจกรรม GitHub และเชื่อมต่อกับ Feishu ได้ตามต้องการ เมื่อผู้ใช้ที่ได้รับอนุญาตขอให้ทำงาน ตัวแทนจะสร้างรายการงาน ดำเนินการงานในเซสชันและไดเรกทอรีการทำงานของมันเอง และตอบกลับผ่านการสนทนาต้นฉบับ.

อย่างไรก็ตามมีความแตกต่างที่สำคัญระหว่างสถาปัตยกรรมการวิจัยและการนำเสนอสาธารณะ.

คลังข้อมูลระบุอย่างชัดเจนว่า:

• มันเป็นต้นแบบการวิจัย ไม่ใช่ผลิตภัณฑ์ DeepSeek อย่างเป็นทางการ.
• มันไม่ใช่ซอฟต์แวร์ที่พร้อมใช้งานในการผลิต.
• การนำเสนอที่เผยแพร่ของมันแตกต่างจากระบบภายในที่อธิบายไว้ในบทความสถาปัตยกรรม.
• แนวคิดทางสถาปัตยกรรมบางประการยังคงเป็นทิศทางการพัฒนาที่อนาคตมากกว่าฟีเจอร์ที่นำไปใช้แล้ว.

ความแตกต่างนี้เป็นสิ่งสำคัญสำหรับนักพัฒนาที่ประเมินโปรเจกต์.

คลังข้อมูลสาธารณะ提供โอกาสในการตรวจสอบและทดลองกับแนวทางพื้นฐาน แต่ไม่ควรถือว่าเป็นการนำเสนอทั้งหมดของความสามารถ Super-Agent ทุกอย่าง.

สถานะโอเพนซอร์สของมันก็ไม่ได้หมายความว่าทั้งสถาปัตยกรรมที่เสนออยู่ในรูปแบบระบบที่เสร็จแล้วและพร้อมใช้งานในการผลิตแล้ว.

ข้อจำกัดหลักของ DeepSeek Super-Agent มีอะไรบ้าง?

แม้ว่าจะมีศักยภาพทางสถาปัตยกรรม, DeepSeek ระบุความท้าทายหลายอย่างที่ยังไม่ได้แก้ไข.

1. การปรับขนาดตัวแทนหลายตัว

เราเตอร์หนึ่งตัวอาจเพียงพอสำหรับการทำงานที่มีขนาดเล็กกว่า แต่ระบบที่ใหญ่กว่าก็อาจต้องการหลายชั้นการประสานงาน

DeepSeek ยังไม่ได้จัดตั้งโครงสร้างที่เหมาะสมสำหรับการกระจายความรับผิดชอบของเราเตอร์หรือการอนุญาตให้คนงานสื่อสารโดยตรง

2. หน่วยความจำระยะยาว

การรักษาเนื้อหาในระหว่างเซสชันไม่เหมือนกับการแก้ปัญหาหน่วยความจำระยะยาว

เมื่อเอเย่นต์ทำงานเป็นเวลาหลายเดือน ข้อมูลประวัติของมันอาจมีขนาดใหญ่เกินไปที่จะจัดการให้มีประสิทธิภาพ

Chain of Recall ช่วยดึงข้อมูลที่เกี่ยวข้องออกมา แต่ DeepSeek ระบุว่าหน่วยความจำระยะยาวเป็นความท้าทายที่สำคัญในการขยายขนาด

3. การแทรกแซงของมนุษย์

การดำเนินงานอัตโนมัติไม่สามารถลดความจำเป็นในการตัดสินใจของมนุษย์

งานพัฒนาบางอย่างต้องการการอนุมัติ การชี้แจง หรือการแทรกแซงโดยตรงในขณะที่ทำงานอยู่

สถาปัตยกรรมยังต้องการวิธีที่มีประสิทธิภาพสำหรับผู้คนในการควบคุมโดยไม่รบกวนการดำเนินงานเบื้องหลัง

4. ความปลอดภัยและความเป็นส่วนตัว

การเชื่อมต่อเอเย่นต์ที่ใช้คลาวด์กับสภาพแวดล้อมการพัฒนาท้องถิ่นก่อให้เกิดความกังวลด้านความปลอดภัยอย่างมาก

เอเย่นต์ที่ถูกบุกรุกอาจเปิดเผยโค้ดที่ละเอียดอ่อน รหัสผ่าน หรือข้อมูลส่วนตัวอื่น ๆ ที่จัดเก็บไว้ในอุปกรณ์ที่เชื่อมต่อ

การฉีดข้อความเป็นความเสี่ยงอีกประการหนึ่ง เนื่องจากระบบประมวลผลข้อความและเหตุการณ์ภายนอกที่อาจมีคำสั่งที่เป็นอันตราย

DeepSeek ยอมรับว่าสถาปัตยกรรมของมันต้องการกลไกที่แข็งแกร่งกว่าในการปกป้องรหัสผ่านและบังคับขอบเขตการอนุญาต

ปัญหาเหล่านี้มีความสำคัญโดยเฉพาะอย่างยิ่งก่อนที่ระบบจะสามารถนำไปใช้ในสภาพแวดล้อมการพัฒนาเชิงพาณิชย์ได้อย่างกว้างขวาง

DeepSeek Super-Agent อาจมีอิทธิพลต่ออนาคตของการเขียนโค้ด AI อย่างไร

DeepSeek Super-Agent สะท้อนให้เห็นถึงการเปลี่ยนแปลงที่กว้างขึ้นในวิธีที่นักพัฒนาสามารถใช้ปัญญาประดิษฐ์

ผู้ช่วยการเขียนโค้ด AI ในช่วงแรกมุ่งเน้นไปที่การช่วยนักพัฒนาทำงานด้านการเขียนโปรแกรมแต่ละงานเท่านั้น

ขั้นตอนถัดไปเกี่ยวข้องกับระบบที่สามารถประสานงานระหว่างหลายเอเย่นต์ ตรวจสอบสภาพแวดล้อมการพัฒนาและจัดการกระบวนการทำงานที่กำลังดำเนินอยู่

ข้อเสนอของ DeepSeek แก้ไขการเปลี่ยนแปลงนี้ผ่านแนวคิดสถาปัตยกรรมหลายประการ:

• การประสานงานระหว่างหลายเอเย่นต์: คนงานที่เป็นอิสระสามารถดำเนินการงานที่แตกต่างกันโดยไม่ผสมผสานบริบทของพวกเขา
• การทำงานอัตโนมัติอย่างเชิงรุก: เหตุการณ์ภายนอกสามารถกระตุ้นการตรวจสอบและการดำเนินงานเบื้องหลัง
• โครงสร้างพื้นฐานที่ยั่งยืน: การประมวลผลที่ใช้คลาวด์และสภาพแวดล้อมการดำเนินการที่แยกการลดการพึ่งพาอุปกรณ์แต่ละเครื่อง
• การดูแลระบบอัตโนมัติ: เซสชัน Watchdog ติดตามสุขภาพของระบบและความก้าวหน้าของงาน

ความสามารถเหล่านี้อาจทำให้เอเย่นต์ AI เป็นประโยชน์มากขึ้นในสภาพแวดล้อมการพัฒนาซอฟต์แวร์ที่ซับซ้อน

พวกเขายังสามารถมีอิทธิพลต่อวิธีที่นักพัฒนาคิดเกี่ยวกับสถาปัตยกรรมเอเย่นต์ โดยเฉพาะอย่างยิ่งการแยกความแตกต่างระหว่างการประสานงาน การดำเนินการ และสถานะถาวร

สำหรับผู้อ่านที่สนใจในระบบนิเวศของ DeepSeek ที่กว้างขึ้น Bitrue ยังให้ทรัพยากรที่เกี่ยวข้อง รวมถึง ข้อมูลราคาของ DeepSeek AI, ข้อมูลราคา DeepSeek, และ ภาพรวมของ DeepSeek AI และโอกาสทางคริปโต.

การพัฒนาของระบบ AI อัตโนมัติยังเกี่ยวข้องกับการสนทนาที่กว้างขึ้นเกี่ยวกับโครงสร้างพื้นฐานดิจิทัลที่ขับเคลื่อนด้วย AI ผู้อ่านสามารถสำรวจ Global DePIN Chain เพื่อมุมมองที่เกี่ยวข้องเกี่ยวกับโครงสร้างพื้นฐานที่กระจายอำนาจ

ตำแหน่งของ DeepSeek Super-Agent ในภูมิทัศน์การเขียนโค้ด AI

DeepSeek Super-Agent นำเสนอวิธีการเชิงสถาปัตยกรรมที่เคลื่อนย้ายการเขียนโค้ด AI ออกนอกเซสชันแต่ละตัวไปยังระบบที่ประสานงาน ยั่งยืน และเชิงรุก

โครงสร้าง Router และ Worker ของมัน การกระตุ้นแบบขับเคลื่อนเหตุการณ์ การดำเนินงานแบบอะซิงโครนัส และการดูแลระบบ Watchdog ช่วยแก้ไขข้อจำกัดหลายประการของเอเย่นต์ที่ใช้เซสชันแบบดั้งเดิม

การทดลองเบื้องต้นยังให้หลักฐานเบื้องต้นว่าสามารถแยกการประสานงานออกจากการดำเนินงานเพื่อปรับปรุงการจัดตารางงานและความสอดคล้องภายใต้ภาระงานที่จำลอง

อย่างไรก็ตาม โปรโตไทป์ dsh-superagent-public ยังคงเป็นการดำเนินการวิจัยและมีความท้าทายที่สำคัญเกี่ยวกับความปลอดภัย หน่วยความจำ การขยายขนาด และการตรวจสอบของมนุษย์ที่ยังไม่ได้รับการแก้ไข

ในตอนนี้ DeepSeek Super-Agent เป็นสิ่งที่เข้าใจดีที่สุดว่าเป็นทิศทางทางสถาปัตยกรรมที่สำคัญสำหรับการพัฒนา AI อัตโนมัติ มากกว่าจะเป็นการแทนที่ที่มีการจัดตั้งสมบูรณ์สำหรับเอเย่นต์การเขียนโค้ดที่มีอยู่

คำถามที่พบบ่อย

DeepSeek Super-Agent คืออะไร?

DeepSeek Super-Agent คือสถาปัตยกรรมเอเย่นต์อัตโนมัติที่พัฒนาโดยทีม DeepSeek Harness มันประสานงานคนงาน AI หลายคนผ่านเราเตอร์กลาง เพื่อทำให้การดำเนินการงานแบบขนานและการมีปฏิสัมพันธ์ที่ถาวรในสภาพแวดล้อมต่าง ๆ เป็นไปได้

DeepSeek Super-Agent เป็นซอฟต์แวร์โอเพนซอร์สหรือไม่?

DeepSeek ได้เผยแพร่ dsh-superagent-prototype ในฐานะการดำเนินการวิจัยโอเพนซอร์ส แต่ไม่ใช่ผลิตภัณฑ์ DeepSeek ที่พร้อมสำหรับการผลิตอย่างเป็นทางการและไม่ได้มีการดำเนินการทุกฟีเจอร์ที่มีการอธิบายไว้ในงานวิจัยสถาปัตยกรรม

DeepSeek Super-Agent แตกต่างจาก Claude Code อย่างไร?

DeepSeek Super-Agent มุ่งเน้นการประสานงานระหว่างหลายเอเย่นต์ บริบทที่ยั่งยืน และการทำงานอัตโนมัติตามเหตุการณ์ Claude Code มุ่งเน้นไปที่การพัฒนาซอฟต์แวร์ที่ได้รับการช่วยเหลือจาก AI รวมถึงการวิเคราะห์ที่เก็บถาวร การเขียนโค้ด การทดสอบ และกระบวนการพัฒนาพร้อมกัน

DeepSeek Harness คืออะไร?

DeepSeek Harness คือกรอบการทำงานของเอเย่นต์ที่เกี่ยวข้องกับสถาปัตยกรรม Super-Agent มันให้สภาพแวดล้อมสำหรับการทำงานของเอเย่นต์ และเชื่อมต่อพวกเขากับเครื่องมือและสภาพแวดล้อมการดำเนินการ.

DeepSeek Super-Agent สามารถทำงานโดยไม่ต้องมีคำสั่งจากมนุษย์หรือไม่?

สถาปัตยกรรมที่เสนอสนับสนุนการทำงานเชิงรุกผ่าน Triggers ที่ขับเคลื่อนด้วยเหตุการณ์ สามารถตรวจสอบสภาพแวดล้อมที่เชื่อมต่อและเริ่มต้นงานเบื้องหลังตามนโยบายที่กำหนดล่วงหน้า แม้ว่าการอนุมัติและการแทรกแซงจากมนุษย์จะยังคงจำเป็นสำหรับการดำเนินการบางอย่างอยู่ก็ตาม

คำชี้แจง: มุมมองที่แสดงถึงเจ้าของแต่เพียงผู้เดียวและไม่ได้สะท้อนถึงมุมมองของแพลตฟอร์มนี้ แพลตฟอร์มนี้และบริษัทในเครือไม่รับผิดชอบต่อความถูกต้องหรือความเหมาะสมของข้อมูลที่ให้ไว้ ข้อมูลนี้เป็นข้อมูลเพื่อการอ้างอิงเท่านั้นและไม่ได้มีวัตถุประสงค์เพื่อเป็นคำแนะนำทางการเงินหรือการลงทุน.