Deepseek 的 Super-Agent 架构中的 router 层或许可以采用快速判断模型（如 Jev）配合强逻辑判断模型（如 GPT）的形式来组合。 router 层要负责判断任务并路由给正确的 worker，如果router 模型能力较弱，则可能会导致判断出错从而影响整体工作效果；如果 router 采用能力较强的模型，在很多时候会出现模型能力和请求时间的浪费，增加整体流程的负担。 所以可以尝试用模型组的形式来优化一下架构，快速判断模型进行初判，这样在一些继续之前的工作的情景或者偶发简单任务的情景下，可以快速完成判断并继续路由到相应 worker 完成任务需求。当出现新的复杂场景下需求的时候，强逻辑大模型会具体分析需求重新分配任务。 当然这样的架构依然存在很多问题，比如 Jev 判断的结果真的可信吗，如果初次判断就出错了怎么办？所以很可能在完成快速初次判断 worker 执行任务的同时，还需要用能力更强的 router 模型并行进行一次分析，如果这时候检测到判断出了问题，则需要叫停重新规划。 所以这样的架构组合的作用可能就是节约了一些任务情景的启动速度，让日常小任务处理的更快，但是对于节省 token 没什么效果。 所以对于 Deepseek 的这套 Super-Agent 架构，我还是觉得并不是一个好的架构，这套系统笨重且并不能提高真实场景的任务完成效果，即便是想办法优化，也不过是给外面套上越来越多的 harness 层，越来越笨重。