KeyFrame內部研究專用

锐评一下,DeepSeek开源的Super Agent其实还缺不少重要机制

小天fotos中文
觀看原始影片

三句話摘要

DeepSeek SuperAgent雖然用路由器-工人架構解決多任務瓶頸,但根本缺陷在於沒有個人化本體論層,無法真正理解用戶上下文。 個人助理Agent的勝負不在任務調度工程,而在是否能透過個人本體論和模型微調真正理解用戶脈絡,從而一句話就理解意圖、減少上下文重複輸入。 Router+Workers解決的只是表面問題:DeepSeek的設計確實改善了任務調度,透過事件驅動、推測執行、100字報告等機制提高效率。但講者指出,這些工程優化主要得益於GitHub和Feishu已有的結構化事件和流程,並非通用解決方案。

重點整理

  1. Router+Workers解決的只是表面問題:DeepSeek的設計確實改善了任務調度,透過事件驅動、推測執行、100字報告等機制提高效率。但講者指出,這些工程優化主要得益於GitHub和Feishu已有的結構化事件和流程,並非通用解決方案。

  2. 上下文跟隨才是真正瓶頸:人類秘書和老闆能高效溝通,因為共享知識讓説話者只需一句話。AI現在則相反──即便能追蹤多任務,每次仍需提供完整路徑和目錄,上下文輸入反而變成忙碌點,流狀態持續被打破。

  3. 個人本體論是關鍵抽象層:不同於記憶(過去發生什麼),本體論定義現在的實體、關係、狀態和可執行動作。將用戶的人脈、決策、工作狀態結構化成AI能直接使用的圖譜,讓助理「理解」而非「查詢」。

  4. 需要四層完整架構:資料治理→個人本體論→Human-Computer Interface(非編碼場景用)→模型微調。缺一不可,否則只是概念炒作而非實質進展。

實用技巧與重點

  • 架構與機制:
  • Router + Workers 模式
  • 事件驅動(電話、郵件、到貨直接觸發特定Worker)
  • 推測執行(主動分析事件做準備)
  • 100字強制限制報告長度
  • 狀態計算分離、Watchdog看門狗機制
  • 缺失組件:
  • 個人化本體論(跨來源、跨時間的抽象層)
  • 多模態上下文資訊的工程化結構
  • 個人助理專用HCI設計(不同於編碼Agent)
  • 模型微調後訓練(Personal Assistant Mode)
  • 參考研究:
  • EvoMem論文(個人長期記憶連續成長)
  • 知識圖譜與關係性記憶實驗
  • 資訊收集可能方案:
  • 錄音卡(recording cards)
  • 智慧戒指(smart rings)
  • 穿戴式攝影機(chest-worn cameras)

結論

個人助理Agent的勝負不在任務調度工程,而在是否能透過個人本體論和模型微調真正理解用戶脈絡,從而一句話就理解意圖、減少上下文重複輸入。

完整解析

講者以DeepSeek SuperAgent作為切口,深入分析個人助理Agent的真正瓶頸。首先概述AI三代演進──從單輪對話的聊天機器人,到思考型聊天機器人,再到能自主行動的Agent。傳統AI助理的局限在於會話列表制約:每個任務用一個獨立會話,任務越多用戶越疲憊,注意力破碎成四五個並行任務時已是極限。

DeepSeek的SuperAgent針對此提出Router(路由器)加Workers(工人團隊)的方案。Router如同老闆的秘書,聚合工作、記住誰做什麼、下達指令;Workers實際執行;Assistant本身只做協調。為了人類導向交互,即使秘書在忙(如通電話),老闆仍可持續派單,秘書記下後順序處理。系統事件驅動設計讓電話、郵件直接觸發相應Worker,甚至繞過Router提升效率。還有推測執行機制──事先分析事件做準備,老闆一問就能立即回答;強制100字報告限制,保持簡潔。

但講者認為這還不夠深入。真正問題不在任務調度,而在AI是否理解用戶脈絡。他舉例:親信秘書聽「昨天的事,第二方案可行,讓團隊跟進,找某某」一句話就懂得採取行動,因為雙方共享知識。現在的AI則反之──必須重複提供檔案路徑、目錄、背景,上下文輸入反而成為流狀態殺手。解決方案不是加更多Worker,而是根本改變上下文歸屬:從會話層級上升到用戶個人層級,持續跨越時間和來源。

講者提出「個人本體論」概念──有別於記憶(記什麼發生過),本體論定義當下的實體、相互關係、狀態與可執行動作,如用戶的人脈網絡、過往決策、任務結果,全部透過實體關係圖結構化。Agent接收指令後沿著這張圖快速理解意圖,無需逐次闡述背景。EvoMem等研究也在探索個人長期記憶的連續成長,但都還缺乏跨來源、跨時間的統一框架。

講者進一步指出,光有本體論還不夠,需要四層完整架構:資料治理(誰管理這份個人數據)→個人本體論結構→專為Personal Agent場景設計的HCI(不同於編碼工具那套UI)→針對Personal Assistant場景的模型微調。當前主流模型如GPT-4o即使有並行背景任務,仍在多任務、記憶、冗長回應等方面力不從心。模型層需要個人助理模式──快速存取本體、用類快取機制檢索記憶、減少思考步驟、即時反饋無冗言。

最後提到上下文來源不應只靠用戶輸入,自動收集機制如錄音卡、智慧戒指、穿戴攝影機可讓上下文有機成長,但當前各自分散缺乏治理框架。講者樂觀看好DeepSeek等開源導向公司可能給用戶本地完整控制權,相比大科技公司傾向雲端託管。

8 min
AI 技術中文11月17日

Muse AI 国内注册方法来了!无需排队、无需信用卡,全程免费!

一路向前看原片 ↗
  • IP環境是核心要素:乾淨的住宅IP搭配日本節點能大幅提升註冊成功率,講者稱日本節點「幾乎秒過」,可選美國但成功率較低。
  • 全新郵箱是必要條件:系統會記錄每個郵箱的註冊歷程,曾排隊或卡在信用卡驗證的信箱會直接失敗,必須使用全新未註冊過的郵箱才能完全規避之前的失敗記錄。
AI 技術中文11月17日

Meta 改写 K-Means,训练轮次降到十分之一​ | K-Means | e-means | Meta FAIR | 聚类算法 | 向量检索 | Faiss | DINO10B | 向量数据库

Best Partners TV看原片 ↗
  • 從累加到衰減的中心維護:傳統小批量更新會累積歷史統計量造成早期分配記錄長期影響,而 e-Means 用指數移動平均使新分配能即時調整中心,早先統計逐漸失效,避免陷入次優解。
  • 死簇復活機制是關鍵改進:消融實驗顯示這項改動影響最大,透過每 5 批次檢查樣本不足的中心,從較大簇拆分一半重新安排,將樣本不足 10 個的中心比例從 26.3% 降到 0.3%。
AI 技術英文11月17日

Goal Engineering - The New Buzzword

Prompt Engineering看原片 ↗
  • 長期開放式目標中最難提供的上下文不是文件或 API,而是人類的判斷力與品味。傳統的檔案查詢或技術規格是相對容易部分,真正瓶頸在於定義「什麼是好的結果」。
  • Actively AI 初期採用單一代理處理多種任務類型失敗,因為人類審查者必須在十種不同的任務格式間切換心智模式,造成效率低落。重新架構為多個專一代理後,人類可在相同心智模式下快速連續審查。