DeepSeek veröffentlicht Design und offenes Repository für den Prototyp seines Super-agent-Harness
DeepSeek hat einen Designartikel und ein Prototyp-Repository für einen langlebigen Router-Agenten veröffentlicht, der Arbeit an isolierte Worker übergibt, die durch GitHub-Events ausgelöst werden.
DeepSeek hat einen ausführlichen Designartikel und ein Prototyp-Repository namens dsh-superagent-prototype veröffentlicht. Beschrieben wird darin ein sogenannter Super-agent: eine einzige langlebige Router-Session, die mit Menschen kommuniziert und Arbeit verteilt, während isolierte Worker-Sessions Aufgaben parallel abarbeiten und durch GitHub-Events ausgelöst werden. Der Artikel ist eine maschinelle Übersetzung eines chinesischen Originals, eine offizielle englische Fassung folgte später. Den eigenen Rahmen steckt er klar ab: Er diskutiert Architekturideen und stellt keine Funktionen vor, die es in DeepSeek Harness bereits gibt.
Das Design beruht auf einer Trennung in zwei Ebenen. Der Router führt selbst nie Aufgaben aus. Er spricht nur mit Menschen und verteilt Arbeit, laut Artikel kommt er sogar ganz ohne Bash-Tool aus. Jeder Worker hat einen isolierten Kontext, einen vollständigen Satz an Ausführungstools und genau eine Aufgabe. Worker sprechen nie direkt mit Menschen, sondern melden ihren Status an den Router, der sämtliche Antworten übernimmt. Der Router ist eine einzige langlebige Session, damit der Kontext über alle Kanäle hinweg durchgängig bleibt. Dass er kaum zum Engpass beim Durchsatz wird, liegt am Batching: Events, die eintreffen, während der Router gerade mitten in einer Inferenz steckt, werden in eine Warteschlange gestellt und im nächsten Modellaufruf zusammengeführt. Da die Aufrufe des Routers meist aus langem Input und kurzem Output bestehen, verursacht ein Rückstau laut Artikel pro Event kaum Mehrkosten, weil zusammengeführte Inputs gemeinsam im Prefill verarbeitet werden. Zudem genüge für den Router meist ein leichteres Modell, während die Worker die leistungsfähigsten Modelle brauchen.
Events, im Artikel Triggers genannt, umfassen Gruppenchat-Nachrichten, E-Mails, Kalendererinnerungen, Code-Review-Kommentare und CI-Ergebnisse. Bevor sie ein Modell erreichen, durchlaufen sie zwei Filter. Zuerst prüft deterministischer Code Quelle, Gruppe und Allowlists und sortiert so den Großteil des Rauschens aus. Die verbleibenden Kandidaten gehen an ein LLM, das anhand von im Prompt festgelegten Richtlinien entscheidet, ob gehandelt wird. Folge-Events im selben Thread, etwa in einem GitHub-Pull-Request oder einem IM-Thema, gehen direkt an den Worker, der diesen Thread abonniert hat, und umgehen damit den Router. Der Artikel beschreibt das als schnellen Pfad, der verhindert, dass der einzelne globale Knoten zum Engpass wird.
Die wichtigste quantitative Aussage stammt aus einem Test von DeepSeek selbst: Die p95-Bearbeitungszeit sank im Vergleich zu einer einzelnen Session mit Subagenten von 29,5 auf 15,7 Minuten. Außerdem schildert der Artikel eine Episode aus DeepSeeks interner Super-agent-Instanz. Diese habe eine Entwicklungsaufgabe über IM und GitHub hinweg weitergeführt und, ohne in einem öffentlichen Gruppenchat per @ erwähnt worden zu sein, selbstständig eine Fehlerursache gefunden und einen Pull Request zur Behebung eröffnet. Dabei handelt es sich um ein einzelnes illustratives Beispiel der Autoren, nicht um ein gemessenes Ergebnis.
Zhihu Frontier veröffentlichte eine Erläuterung von 崔添翼 (@tianyi), den die Plattform als Mitglied der Produktabteilung von DeepSeek und einen der finalen Reviewer des Artikels vorstellt. Ihm zufolge steht „Super“ für eine Ebene oberhalb des arbeitenden Agenten, nicht für überlegene Intelligenz. Den zentralen Zielkonflikt beschreibt er als Kontinuität über Aufgaben hinweg gegenüber Durchsatz. Der Artikel argumentiert in eigenen Worten genauso: Schickt man jedes Event an eine einzige Session, erhält man den durchgängigsten Kontext, begrenzt aber den Durchsatz, weil eine ReAct-Schleife einen Schritt nach dem anderen ausführt und sich Aufgabendetails vermischen. Bekommt jedes Event eine neue Session, ist die Parallelität maximal, doch zusammenhängende Ergebnisse bleiben unverbunden, und Nutzer werden durch mehrere getrennte Antworten verwirrt.
Der Artikel benennt seine eigenen Grenzen. Ein eingebautes, sessionübergreifendes Langzeitgedächtnis fehlt noch, und die Trennung von Zustand, Rechenleistung und Umgebung ist größtenteils nicht umgesetzt. Validiert wurde der Prototyp nur in einer kleinen, vertrauenswürdigen internen Umgebung. Sicherheit, Datenschutz und die Kommunikation zwischen Agenten bleiben offene Fragen. Zudem würde ein Sharding des Routers laut Artikel den Zielkonflikt zwischen Kontinuität und Durchsatz zurückbringen, und dieser bleibe bestehen, bis das Problem des globalen Gedächtnisses gelöst ist. Zu Vorarbeiten räumt der Autor ein, dass andere Teams ähnliche Architekturen schon Monate früher erkundet haben.
Berichterstattung und Reaktionen fallen gemischt aus. Bloomberg meldete am 1. November, DeepSeek habe den Prototyp eines autonomeren Coding-Agenten veröffentlicht und wolle damit Anthropics Claude Code herausfordern. Teortaxes merkte an, dass das Repository ohne englische Ankündigung erschien und trotzdem von Bloomberg aufgegriffen wurde. Derselbe Kommentator nannte den Text „ziemlich chaotisch“ und argumentierte, DeepSeek baue interne Krücken um Modellschwächen wie Halluzinationen, statt das System grundsätzlich robust zu machen. Auf der anderen Seite sagte @badlogicgames, das Design entspreche der Richtung, in die Earendil gehe, und @omarsar0 nannte es eine „Meisterklasse“ im Design von Harnesses für Koordination und Ausführung. Laut @tianyi will DeepSeek außerdem mit jeder Modellgeneration pi und andere große Harnesses unterstützen.
Was sich ändert
Art: Neue Funktion · Betrifft: dsh-superagent-prototype
Warum es wichtig ist
Unternehmen, die Multi-Agenten-Workflows für die Softwareentwicklung aufbauen, erhalten eine konkrete, offene Referenz dafür, wie sich Arbeit auf parallele Worker verteilen lässt. Die eingeräumten Lücken bei Gedächtnis und Sicherheit bedeuten aber, dass das Konzept noch nicht produktionsreif ist.
Was Sie tun können
Teams, die Lösungen zur Orchestrierung von Agenten prüfen, sollten sich die genannten Grenzen, vor allem bei Gedächtnis und Sicherheit, genau ansehen, bevor sie das Muster übernehmen.
Originalquelle
Weitere Berichte
Wo wir es gesehen haben
Latent Space
KI hat diese Zusammenfassung aus den genannten Quellen geschrieben und ins Deutsche übersetzt. Niemand hat sie vor der Veröffentlichung einzeln geprüft. Bitte prüfen Sie die Originalquelle, bevor Sie sich darauf verlassen. So funktioniert es