截至 11 月 1 日的公开信息，DeepSeek Harness 团队在 10 月 31 日晚发布《Super-agent 设计探索：迈向更自主的 Agent 系统》，并在 GitHub 开源原型 dsh-superagent-prototype（钛媒体）。这份文档对 GEO 从业者的意义不在于又多了一个 Agent 产品，而在于它把 AI 的工作形态从会话推进到任务：当用户不再打开对话框提问、而是让系统在后台连续执行，品牌被看见的位置、被引用的方式、以及可见度的计量口径，都要跟着改。
十月三十一日那份文档改了什么
文档给出的核心结构是两种角色：Router 相当于项目主管，负责听需求、记背景、决定任务交给谁，但不亲自执行；Worker 是真正干活的角色，每人只领一项任务，在独立空间里完成。这个划分解决的是普通 Agent 的老问题——每个任务都是独立会话，会话之间互不相通，用户只能同时跟进三到五个活跃会话，再多就管不过来。
第二件事是主动性从哪来。系统把工作环境里的动静当作触发器：群里有人报障、收到一封新邮件、日程发生变化、自动检查未通过，都可能触发任务。为了避免被闲聊淹没，DeepSeek 加了两道筛网，第一道是提前定好的规则，第二道交给模型判断语义。只有两道都通过，项目主管才会派任务。文档同时强调，原型只是研究原型，不是正式产品，部分设计尚未实现。
入口从问答框挪到任务流
Router与Worker的分工改变了信源结构
在传统问答场景里，一次提问对应一次检索，引用来源相对集中，品牌只要盯住那几条高频信源就有明显收益。到了任务型系统，Router 决定派活、Worker 各自检索，同一次任务里可能出现多个彼此隔离的上下文，每个 Worker 引用的信源未必相同。这意味着品牌在 AI 回答里的曝光不再是一条线，而是一组并行的点，监测必须能按任务拆开看，否则汇总数字会互相抵消。
两道筛网与注意力成本
文档反复提到注意力成本：每一条消息、每一次通知都被视为成本，不能提供足够价值就该删掉。这个取向对品牌是个提醒——在任务型入口里，能被 AI 主动提起的内容，必须是在关键判断点上提供确定信息的内容，而不是泛泛的品牌介绍。换句话说，GEO 优化的目标从被搜到转向被需要时被调用，问题库的设计也要从关键词清单转向决策场景清单。
品牌在AI里被看见的位置变了
过去衡量 AI 搜索可见度，主要看品牌在回答正文中被提及的频次与位次，以及引用来源里官方站点占多大比例。任务型系统里，这些指标仍然有效，但权重会变化：当 AI 先给结论再执行，品牌能否进入结论段变得比能否进入长尾段落更关键；当引用被拆到多个 Worker 的独立上下文，跨平台的一致性比单平台的高频更重要。
还有一个容易被忽略的变化是竞品对比的形态。问答场景里，用户主动问某品牌和某品牌哪个好，AI 才会做对比；任务场景里，系统在挑选供给时天然会做横向比较，而且这个比较过程用户看不到。品牌能观测到的只是结果——自己有没有被选中。这就要求监测体系补上结果侧的指标，而不只是内容侧的提及率。
监测口径要补的三个字段
把变化落到可执行的口径，至少要补三项。它们不是替代现有指标，而是在原有体系上加一层任务维度的切分。
| 新增字段 | 记录什么 | 为什么需要 |
|---|---|---|
| 任务类型 | 该次回答属于哪类任务 | 区分问答与执行场景 |
| 结论段占比 | 品牌出现在结论还是补充 | 判断被调用优先级 |
| 信源一致性 | 多平台引用是否同源 | 识别上下文割裂 |
三个字段补齐之后，可见度数据才能回答一个新问题：当 AI 不再等人提问，品牌还能不能被想起来。这个问题没有标准答案，但可以用连续四周的同任务类型数据观察趋势，而不是靠单次抽样的印象下结论。
常见问题
任务型 AI 入口普及后，GEO 和现在的做法有什么不同？
目标从被搜到变成被调用。问题库要从关键词清单改成决策场景清单，监测要按任务类型切分，并额外记录品牌出现在结论段还是补充段，这三项调整比增加投放更重要。
引用来源在任务型系统里还会那么重要吗？
仍然重要，但结构变了。多 Worker 并行时引用可能分散在多个上下文，单平台的高频引用不等于跨平台一致。监测要同时看引用占比与信源一致性，否则会高估自己的可见度。
竞品对比在任务场景里怎么观测？
内容侧的对比问答会减少，结果侧的选中率更关键。可以通过固定任务集重复执行，观察品牌被选中的比例变化，作为竞品占位的替代指标。
现在就要为这类入口做准备吗？
可以先做低成本准备：把问题库按任务类型重排、在回答存档里补位置标注、固定一组任务做周期性复测。这些动作在现有平台上就能完成，不必等产品正式发布。
