DeepSeek Super-Agent: wat het is, hoe het werkt en wat er nog steeds ontbreekt20 min read

Open drie codeeragenten tegelijk en u voelt het probleem. Eén wacht op een beslissing, één is twintig minuten geleden klaar en je bent al vergeten welke de auth-fix heeft. Het Harness-team van DeepSeek heeft er een getal op gezet: in zijn ervaring kan een persoon slechts drie tot vijf actieve agentsessies tegelijk volgen. Voorbij dat punt is het model niet langer het knelpunt. Jij bent.

Op 31 oktober 2026 publiceerde het team een ​​ontwerpartikel voor wat zij een Super-agent noemen en ontwierp een prototype met de naam dsh-superagent. Het is een proactieve codeeragent voor één GitHub-repository. Eén langlevende routersessie praat met mensen en deelt werk uit, en elk geaccepteerd verzoek krijgt zijn eigen werksessie die eindigt in een pull-verzoek of een vraag. De repository passeerde in ongeveer twee dagen 12.000 sterren. De README maakt duidelijk dat dit onderzoekscode is en geen officieel DeepSeek-product.

Deze gids is bedoeld voor ingenieurs en teamleiders die willen weten wat het prototype doet, hoe het ontwerp van de router en de werker werkt, wat de benchmarkcijfers wel en niet bewijzen, en wat ze moeten controleren voordat ze naar een echte repository verwijzen.

Eén opmerking vóór de details. Het antwoord van een werknemer om “deze bug op te lossen” is een pull-verzoek, en GitHub is daarvoor een prima thuisbasis. De rest van wat agenten rond de code produceren, is moeilijker te plaatsen: het verslag van de hoofdoorzaak, de testsamenvatting, de vergelijkingstabel waar een recensent om vroeg.AgentGrid.iois een gedeelde werkruimte waar mensen en AI-agenten documenten, apps en bestanden maken, bewerken en delen, met één live versie, attributie en geschiedenis. Tegen het einde komen we terug op waar het past.

Wat is de DeepSeek Super-Agent?

Twee dingen kwamen samen voor. De eerste is een lang ontwerpartikel, “Exploring Super-agent Design: Towards a More Autonomous Agent System”. Het Harness-team schreef het in het Chinees en plaatste op 1 november een machinaal vertaalde Engelse versie op X. Het is meer dan 2,2 miljoen keer bekeken. De tweede is de code:deepseek-ai/dsh-superagent-prototype, vrijgegeven onder de MIT-licentie.

Onderzoek naar het ontwerp van superagenten: naar een meer autonoom agentsysteem

https://t.co/gwwIHtyCRQ

– DeepSeek-harnas (@DeepSeekHarness)1 november 2026

Het is geen nieuw model. dsh-superagent is een bundel voorDeepSeek-harnas, DeepSeek’s open-source agentharnas, dat het bedrijf beschrijft als in publieke preview wereldwijd. De bundel bekijkt één GitHub-repository en, als je deze inschakelt, Feishu-chats. Wanneer iemand op een toegestane lijst de agent om werk vraagt, opent deze een werkitem, voert dit uit in zijn eigen sessie en map, en antwoordt in het oorspronkelijke gesprek. Een webpaneel laat alleen zien wat een persoon nodig heeft.

De naam is eenvoudiger dan het klinkt. Cui Tianyi, van de productafdeling van DeepSeek en een van de laatste recensenten van het artikel, legde in een Zhihu-post uit dat “super” bedoeld is als superscript versus subscript. Een superagent voegt een laag toe boven de agent die het werk doet, het tegenovergestelde van een subagent, die er een eronder toevoegt. Het is geen aanspraak op superieure intelligentie.

De README begint met een waarschuwing die de moeite waard is om volledig te lezen: “Onderzoeksprototype alleen ter referentie, geen officieel DeepSeek-product.” Het voegt eraan toe dat een groot deel van de engineering door codeeragenten is gedaan, dat de code bugs kan bevatten en dat sommige ontwerpen in het artikel aanwijzingen zijn voor toekomstig werk en niet zijn geïmplementeerd.

Nog een DeepSeek-drop: dsh-superagent

Een agentframework dat werkt via de GitHub-problemen en PR’s van een repository met veel agenten tegelijk, ontworpen om zo min mogelijk menselijke aandacht te trekken en tegelijkertijd zoveel mogelijk waarde te leveren.

pic.twitter.com/XR73mIvA0V

– Leandro von Werra (@lvwerra)31 oktober 2026

Waarom zegt DeepSeek dat het knelpunt menselijke aandacht is?

Het artikel vertrekt van een eenvoudige observatie. Het afgelopen jaar zijn codeeragenten zo goed geworden dat een enkele taak door het model wordt beperkt. Maar zodra u meerdere taken tegelijk uitvoert, verschuift de limiet naar u. Elke sessie is geïsoleerd, dus u kunt handmatig tussen de sessies schakelen en bijhouden wat iedereen weet. Door een CLI, MCP of een chatconnector aan één lokale sessie te koppelen, kan hij nieuwe gebeurtenissen horen, maar hij blokkeert nog steeds lange opdrachten, combineert contexten van verschillende taken en stopt wanneer uw laptop slaapt.

Het antwoord van DeepSeek is om de sessie niet langer te beschouwen als de eenheid die u beheert. Het bevat vier eigenschappen die een superagent zou moeten hebben:

• Continu.Je praat ermee waar je al werkt, zoals chatten of GitHub-opmerkingen, en het gedraagt zich als één agent. Als je in de chat om plan A vraagt ​​en in een commentaar op een pull-verzoek overschakelt naar plan B, volgt het volgende.
• Productief.Het voert verschillende complexe taken parallel uit en neemt de volgende instructie voordat de laatste is voltooid.
• Proactief.Het kijkt naar gebeurtenissen, handelt naar wat de moeite waard is en blijft verder stil.
• Aanhoudend.Het blijft online en herstelt van fouten zonder dat u het opnieuw hoeft op te starten.

De auteurs beweren dat geen enkele ReAct-lus alle vier de lus kan leveren, dus de kwaliteiten moeten voortkomen uit de architectuur rond het model. Dat is het echte onderwerp van het artikel, en de visuele uitleg hieronder, gedeeld door Hesam, is een snelle manier om het hele ontwerp op één pagina te zien.

hier is een visuele uitleg van het artikel van DeepSeek over Super-Agent:https://t.co/bByKYDoq6h pic.twitter.com/BhzbBh3NrP

– ℏεsam (@Hesamation)1 november 2026

Hoe werkt het router- en worker-ontwerp?

Denk aan een goede engineeringmanager die tijdens het stand-up nooit code schrijft. Derouteris één langlevende sessie waarin elk bericht van elk kanaal wordt ontvangen. Er worden geen taken uitgevoerd. Het beslist waar een bericht om vraagt, overhandigt nieuw werk aan een medewerker en schrijft elk antwoord naar de betrokken mensen. Het artikel zegt dat het helemaal zonder shell-tool kan werken, en dat een lichter, sneller model er meestal voldoende voor is.

EENarbeideris een aparte sessie met een geïsoleerde context en een volledige set tools, gewijd aan één taak. Werknemers praten nooit rechtstreeks met mensen. Ze rapporteren de status aan de router, waardoor de antwoorden met één stem worden weergegeven. In het prototype krijgt elk ticket zijn eigen sessie en zijn eigen map, meestal een git-werkboom, en is het aantal werknemers beperkt. De standaardinstelling is drie tegelijk, instelbaar van 1 tot 16, waarbij één extra slot vrij blijft zodat de boodschap van een persoon altijd kan overkomen.

Twee details maken dit meer dan een takenwachtrij.

Follow-ups slaan de router over.Zodra een medewerker eigenaar is van een pull-verzoek of een chatthread, abonneert hij zich op die thread. Latere opmerkingen gaan er rechtstreeks naar toe, zonder extra modeloproep naar de router. Als een opmerking over iets anders blijkt te gaan, geeft de medewerker deze terug.

Bursts worden gegroepeerd.Triggers die tijdens het ene model binnenkomen, worden in de wachtrij geplaatst en worden samen in de volgende oproep geïnjecteerd. De auteurs hebben het effect gemeten en we kijken naar de onderstaande cijfers.

Nog een contrastpunt. Het artikel onderscheidt dit van een Agent Team. In een agententeam verdeelt een lead een complexe taak in stappen en coördineert hij de rollen die eraan werken, wat een zware redeneringslast is. De Super-agent-router verzendt alleen onafhankelijke taken en houdt op een hoog niveau bij hoe deze zich verhouden. Het ontbindt het werk zelf niet.

Wat doet het als niemand het vraagt?

Dit is waar de filosofie van het project praktisch wordt. In het eerste document in de repository staat het principe in één regel: trek zo min mogelijk menselijke aandacht en geef zoveel mogelijk waarde. Elk bericht dat de agent verzendt, kost de aandacht van een collega. De agent spreekt dus alleen wanneer iemand iets moet doen of een resultaat kan gebruiken, en handelt alleen wanneer daarom wordt gevraagd of wanneer een regel die het team heeft geschreven dit toestaat.

De poort die dit afdwingt is gewone code, geen model. Het controleert wie er vraagt aan de hand van de toegestane lijst van het team en registreert hoe sterk het verzoek is:

Die observatiemodus is het deel dat ik het leukst vind. De agent begint met vastleggen wat hij zou hebben gedaan, zodat het team die records op het tabblad Eval kan lezen en de machtigingen alleen kan uitbreiden als ze er goed uitzien. Berichten, opmerkingen en geciteerde documenten worden behandeld als input voor een besluit. Ze kunnen niet veranderen wat de agent mag doen.

Het ontwerpartikel laat zien hoe proactief werken er in de praktijk uitziet. In de interne DeepSeek Harness-gebruikersgroep heeft het team een ​​’stil reproduceren en repareren’-beleid geconfigureerd. Wanneer iemand een probleem meldt of een voorgestelde wijziging bespreekt, probeert de agent dit te reproduceren en op de achtergrond een oplossing te vinden. De agent levert pas resultaat nadat hij het probleem heeft bevestigd en een eenvoudige oplossing heeft gevonden. Anders blijft het stil. Het artikel geeft ook een botte regel voor chatkanalen die de auteurs zeggen te hebben geverifieerd: beperk elk antwoord tot 100 woorden. Op GitHub moeten pull-aanvragen daarentegen compact zijn, met de probleemachtergrond, de wijzigingsbeschrijving en de verificatieresultaten.

Standaard begint elk GitHub-bericht dat de agent plaatst met de regel “Dit is van een geautomatiseerde agent, niet van een mens”. Teams kunnen dat bewerken, samen met de rest van de aanwijzingen.

Houden de benchmarkcijfers stand?

Het artikel bevat een klein experiment en de auteurs noemen het slechts indicatief. Vier ontwerpen stonden naast elkaar in een stroom groepschat- en CI-berichten: ongeveer 300 berichten per run, waarvan ongeveer twintig echte werkverzoeken, elk vijf runs. Het codeerwerk werd gesimuleerd met een tool die eenvoudigweg tijd kost, dus de test meet de planning en coördinatie, en niet de kwaliteit van iemands code.

Lees de tabel twee keer, want de kop is niet het hele verhaal. Het routerontwerp verminderde de voltooiingstijd van p95 tot ongeveer de helft van die van een enkele sessie, maar gebruikte ongeveer twee tot vier keer zoveel cache-leestokens. En de meest interessante rij is de tweede: het verwijderen van de pass-through-snelkoppeling zorgde er niet voor dat taken sneller of langzamer werden voltooid, maar zorgde er alleen voor dat de router ongeveer 30 procent meer beslissingen nam en 37 procent meer tokens verbrandde.

Ik lees dat de echte bevinding zich in de rijen met één sessie bevindt. Met een neutrale prompt heeft het model in geen van de vijf runs een subagent gebeld. Het deed het werk zelf, nieuwe berichten bleven het onderbreken en de langzaamste taken duurden 29,5 minuten. Met een aanwijzing dat het moest delegeren, delegeerde het in vier van de vijf runs, en in de resterende run beoordeelde het model het werk als “klein” en deed het het zelf. Een enkele sessie is afhankelijk van de stemming van het model. Een router die geen code mag uitvoeren, kan die fout niet maken.

Alleen al een afzonderlijke stresstest op de router verhoogde het aantal aankomsten van beslissingswaardige gebeurtenissen van ongeveer 1 naar ongeveer 40 per minuut. De gemiddelde batch groeide van 1,0 naar 2,8 gebeurtenissen, de tijd per verzoek steeg slechts van 2,5 naar 3,9 seconden en de afgeschreven tijd per beslissing daalde van 6,4 naar 1,6 seconden. Hoe meer gebeurtenissen zich opstapelen, hoe goedkoper ze allemaal worden, tot een limiet die volgens de auteurs afhangt van de contextlengte en van het aantal gebeurtenissen dat een model nauwkeurig in één beurt kan afhandelen.

DeepSeek heeft zojuist zijn Super-agent-prototype open source gemaakt. Eén routersessie praat met mensen en deelt werk uit, en geïsoleerde werknemers voeren taken parallel uit naast GitHub-gebeurtenissen. In hun eigen test daalde de voltooiingstijd van p95 van 29,5 naar 15,7 minuten vergeleken met een enkele sessie met subagenten.

De walvis is weer open source.pic.twitter.com/mS4sRbHmyx

– Mollig (@kimmonismus)1 november 2026

Dit zijn zelfgerapporteerde resultaten op synthetisch werk. Ze laten zien dat het planningsidee goed is. Ze laten niet zien dat het prototype je bugs sneller oplost.

Wat zeggen mensen die dicht bij het project staan over de grenzen ervan?

Kort na de release schreef Cui Tianyi, van de productafdeling van DeepSeek en een van de laatste reviewers van het ontwerpartikel, hoe hij het ontwerp ziet. Zijn kadrering is nuttig omdat deze bescheiden is. Hij noemt de centrale afweging continuïteit tussen taken versus taakdoorvoer.

Wat de limieten betreft, is de beoordeling direct. Het prototype implementeert slechts een deel van het voorgestelde ontwerp. Op het moment van zijn beoordeling had het DeepSeek-harnas geen ingebouwd langetermijngeheugen voor alle sessies. En het systeem is alleen gevalideerd in een kleine, vertrouwde omgeving binnen het bedrijf. De sectie met open problemen van het artikel vermeldt onder meer het schalen van de router, het geheugen over maanden, het werken zonder sessies, contextgrenzen tussen agenten en hoe geïsoleerde agenten met elkaar moeten praten, en de beveiliging.

Wat moet u controleren voordat u het uitvoert?

De documentatie is openhartiger dan de meeste lanceerposts, en het is de moeite waard om de waarschuwingen als vereisten te beschouwen.

• Werknemers hebben ruime toegang.Beide machtigingsvoorinstellingen, voor de router en voor de werknemers, worden uitgevoerddanger-full-accessals OS-gebruiker van de operator. De accountwrappers kiezen welke GitHub-referenties de agent gebruikt, maar de documenten zeggen dat dit standaardwaarden zijn en geen veiligheidsgrens, omdat een werknemer nog steeds een programma kan uitvoeren via het absolute pad of uw thuismap kan lezen. De aanbeveling is een speciaal besturingssysteemaccount dat alleen de inloggegevens van de agent bevat.
• Niet-vertrouwde invoer is de open veiligheidsvraag.Het artikel waarschuwt dat als een snelle injectie of serverinbraak de cloudagentlus in gevaar brengt, elk aangesloten apparaat kan worden bereikt en dat inloggegevens die in de context van het model terechtkomen, kunnen lekken.
• Mensen fuseren standaard.De agent schakelt automatisch samenvoegen nooit in onder zijn eigen account. Voor automatisch samenvoegen is de CLI van een tweede account nodig, genoemd in de prompt Leveringsvereisten, en de standaardinstructies staan ​​dit alleen toe voor kleine, goedgekeurde pull-aanvragen onder de 200 gewijzigde regels.
• Het is opgebouwd rond één repository.Elke opstelling bekijkt een enkele GitHub-repository, en Feishu, een chattool op de werkplek die gebruikelijk is in China, is de andere eersteklas bron.
• Je hebt een DeepSeek-harnas en een modelaanbieder nodig.De installatie bevat Node.js 22.19 of nieuwer, pnpm, git 2.32 of nieuwer, tmux, Python 3.8 of nieuwer en GitHub CLI 2.48 of nieuwer. Het configureren van een modelprovider is een operatorstap.
• Lawaai is een kostenpost.Het filosofiedocument zegt dat je het middel niet mag gebruiken om volume te produceren. Massa pull-verzoeken en broadcast-berichten kosten uw team meer dan ze opleveren.

Hoe zou u het proberen zonder uw hoofdrepository in gevaar te brengen?

De installatie bestaat uit veel stappen, dus het project vraagt u om dit door een codeeragent te laten doen. Volgens de README stelt de agent één korte vraag tegelijk, toont één keer het volledige plan en installeert en configureert vervolgens alles. Een voorzichtige eerste run ziet er als volgt uit:

1. Kies een wegwerpopslagplaatsen een speciale machinegebruiker of OS-account. Gebruik niet uw eigen login.
2. Maak een afzonderlijk GitHub-account voor de agent.Alles wat het schrijft, verschijnt onder die naam.
3. Open de repository in uw codeeragent en plak de onderstaande prompt.Beantwoord de vragen één voor één.
4. Houd de toegestane lijst voor jezelfen laat de acceptatiemodus op observeren staan.
5. Vraag iets kleins aan.Reageer vanuit een toegestaan account@<agent login> <request>over een kwestie. Binnen ongeveer een minuut zou er een ticket in het Overzicht van het paneel moeten verschijnen.
6. Lees het tabblad Eval een week lang.Vergroot de lijst of schakel alleen over naar automatisch als de ‘zou accepteren’-records er goed uitzien.

Read SETUP.md in this repository and set up dsh-superagent with me.

Het filosofiedocument van het project geeft operators vier regels die de moeite waard zijn om te herhalen: begin smal, stem af op minder ruis, gebruik de agent niet om volume te produceren en bezit wat er in jouw naam staat.

Waar moet de rest van het werk van de agent naartoe?

Stel dat een werknemer een uur besteedt aan een zwakke integratietest. Het pull-verzoek is de oplossing. Maar het onderzoek daarachter, welke tests faalden, welke hypothesen werden uitgesloten, wat de timingtabel liet zien, hoort niet thuis in een PR-beschrijving, en het is precies wat de recensent wil uitdagen. Als dat alleen in een chatantwoord voorkomt, begint de volgende agent of teamgenoot helemaal opnieuw.

AgentGrid.iois gebouwd voor die overdracht. Mensen en AI-agenten werken aan dezelfde live documenten, apps en bestanden, met één stabiel adres, gecontroleerde toegang en een versiegeschiedenis. In de documenten van AgentGrid.io wordt beschreven hoe u verbinding maakt met een opdrachtcompatibele agent door deze uit te voerennpx @animaapp/cli@latest login. Een mens keurt de naam, het team van de agent goed en wat deze mag doen: lezen, schrijven, delen of publiceren. Daarna verschijnen de wijzigingen van de agent onder zijn eigen naam in de geschiedenis. Het prototype heeft geen ingebouwde AgentGrid.io-integratie, dus beschouw dit als een patroon om met zijn werkers uit te proberen, en niet als een gedocumenteerde functie.

In de praktijk schrijft de medewerker zijn onderzoek als een Markdown-bestand, geeft de revisor commentaar op een tabelrij, scherpt een andere assistent de samenvatting aan en linkt het pull-verzoek naar één huidige versie in plaats van naar drie geplakte kopieën.

Voor een andere kijk op meerdere mensen die één agent delen, zie onze gids voorGrok Bot-teambots. En als je je afvraagt wat er onder een gehoste agent zit, lees dan onze gidsClaude Managed Agentskijkt naar Anthropic’s versie van dezelfde gesplitste hersenen en handen, die in het artikel van DeepSeek wordt aangehaald.

Wanneer moet u dsh-superagent gebruiken, en wanneer iets anders?

• Gebruik dsh-superagentom te leren van een serieus, gedocumenteerd ontwerp, om een ​​ingeperkt experiment uit te voeren op een repository met laag risico, of om de ideeën ervan te lenen: een router die nooit code uitvoert, tickets met een bepaalde reikwijdte, de observatiemodus vóór de automatische modus.
• Gebruik één interactieve codeeragentwanneer je taak voor taak werkt en stap voor stap wilt sturen. De Super-agent is gebouwd voor de tegenovergestelde situatie.
• Gebruik AgentGrid.iowanneer de output een document, rapport of app is die meerdere mensen en agenten moeten beoordelen, bewerken en publiceren, ongeacht welke agent het heeft geproduceerd.

Veelgestelde vragen

Wat is de DeepSeek Super-Agent?

Het is een onderzoeksprototype genaamd dsh-superagent, uitgebracht door het Harness-team van DeepSeek op 31 oktober 2026 onder de MIT-licentie. Het is een proactieve codeeragent voor één GitHub-repository. Een routersessie met een lange levensduur neemt verzoeken aan en wijst elke geaccepteerde aanvraag toe aan zijn eigen werksessie, die antwoordt in het oorspronkelijke gesprek, meestal met een pull-verzoek.

Is de DeepSeek Super-Agent een officieel DeepSeek-product?

Nee. De README noemt het een onderzoeksprototype dat alleen ter referentie dient en niet een officieel DeepSeek-product, en zegt dat u het moet beoordelen en aanpassen voordat u het in uw eigen omgeving gebruikt. Het is ook niet identiek aan de interne versie of aan de implementatie die het ontwerpartikel beschrijft.

Waarin verschilt een superagent van een subagent?

Een subagent voegt een laag toe onder de werkende agent. Een Super-agent voegt er een laag bovenop toe. In dit ontwerp zit de router boven veel werknemers, praat met mensen en verzendt taken, terwijl elke werknemer één taak afzonderlijk afhandelt. De naam gaat over positie, niet over een claim van grotere intelligentie.

Heeft het Feishu nodig of alleen GitHub?

GitHub alleen is voldoende. Feishu is een optionele tweede bron, en de documentatie zegt dat een installatiefout van Feishu alleen de Feishu-bron uitschakelt.

Is het veilig om op een bedrijfsrepository te draaien?

Niet zoals het is. In de documenten staat dat werknemers volledige toegang hebben als de besturingssysteemgebruiker van de operator en dat de wrapper-accounts geen isolatiegrens vormen. Ze raden een speciaal besturingssysteemaccount aan, een speciaal agentaccount op GitHub, een korte lijst met toegestane opties en een observatiemodus terwijl u leert hoe de agent zich gedraagt.

Is het sneller dan een enkele codeersessie?

In de gesimuleerde test van de auteurs zelf voltooide het routerontwerp de langzaamste taken in 15,7 minuten, tegenover 29,5 minuten voor een enkele sessie met een subagent-tool, waarbij meer tokens werden gebruikt. Bij de test werd gebruik gemaakt van gesimuleerd codeerwerk en van vijf runs per ontwerp. Dit laat dus planningsvoordelen zien en niet codekwaliteit.