DeepSeek Super-agent tauchte am Abend des 31. Oktober 2026 auf. Das DeepSeek-Harness-Team veröffentlichte den technischen Artikel „Super-agent Design Exploration: Toward a More Autonomous Agent System“, mit dem Ziel, Agents aus einzelnen Sitzungen zu befreien und sie zu kontinuierlichen Einheiten zu machen, die langfristig online bleiben, mehrere Aufgaben parallel bearbeiten und proaktiv auf Veränderungen ihrer Umgebung reagieren. Es handelt sich nicht um ein fertiges Produkt, sondern um eine architektonische Erkundung, deren Entwürfe teilweise bereits als Open-Source-Prototyp umgesetzt sind.
Eine KI koordiniert, viele KIs arbeiten parallel
Der Artikel teilt das System in zwei Ebenen: Router und Worker. Der Router ist ein globaler Koordinationsknoten, der Informationen aus Gruppenchats, GitHub, E-Mails und anderen Kanälen entgegennimmt, den Kontext pflegt und Aufgaben verteilt; die Worker verfügen jeweils über eigenen Kontext und eigene Werkzeuge und bearbeiten in isolierten Sitzungen parallel Aufgaben wie die Reproduktion von Problemen, Code-Reviews und die Entwicklung von Funktionen, wobei die Ergebnisse an den Router zurückgemeldet und von dort nach außen kommuniziert werden. Der Nutzer hat es stets mit demselben Assistenten zu tun.
Niemand muss ihn rufen – er handelt zuerst
Gruppenchats, E-Mails, Termine, Code-Review-Kommentare und CI-Ergebnisse können alle eine Aktion auslösen. Die allermeisten Gruppenchat-Nachrichten benötigen kein Eingreifen der KI, weshalb der Artikel einen zweistufigen Filter entwirft: Programmregeln schließen zunächst irrelevante Nachrichten aus, dann entscheidet ein großes Modell anhand des Kontexts, ob gehandelt werden soll. Hinzu kommt spekulative Ausführung: Erst im Hintergrund ausprobieren, dann entscheiden, ob etwas eingereicht wird. Die in einer internen Gruppe konfigurierte Richtlinie „stille Reproduktion und Reparatur“ reproduziert einen gemeldeten Bug vorab und sucht nach einer Lösung; nur wenn das Problem bestätigt ist und die Lösung einfach ist, wird ein Pull Request eingereicht.
Schneller, aber teurer in Token
Das Team verglich die Ansätze mit etwa 300 simulierten Nachrichten, von denen rund 20 echte Arbeitsanfragen waren, und wiederholte jeden Ansatz fünfmal. Die mittlere Bearbeitungszeit von Super-agent lag bei 12,4 Minuten, das 95. Perzentil bei 15,7 Minuten; der herkömmliche Ansatz mit einer einzigen Sitzung erreichte bei neutralen Prompts ein 95. Perzentil von 29,5 Minuten. Der Preis war ein höherer Cache-Leseaufwand: Nach dem Entfernen der direkten Ereignisweitergabe stieg die Gesamtzahl der Cache-Lesevorgänge von 23,23 Millionen auf 31,77 Millionen Token, ein Anstieg um rund 37 %. Das Experiment nutzte synthetische Nachrichten und simulierte Werkzeuge, prüfte also nur Scheduling und Zusammenarbeit und bewertete die tatsächliche Codequalität nicht direkt.
Asynchroner ReAct Loop, die Trennung von Berechnung und Zustand sowie Watchdog lösen drei weitere Probleme: Zeitaufwendige Aufgaben wandern in den Hintergrund, während im Vordergrund weiter neue Anweisungen entgegengenommen werden; die Ausführungsschleife läuft in der Cloud, der Zustand liegt in einer Datenbank, lokal bleibt nur ein schlanker Daemon; Watchdog prüft den Fortschritt, erkennt unproduktive Schleifen und versucht, sie zu beheben. Der asynchrone Aufgabenmechanismus ist in DeepSeek Harness bereits umgesetzt, aber noch nicht standardmäßig aktiviert.
DeepSeek zufolge schlägt der Entwurf keine neue Theorie vor, sondern wendet klassische Systemideen – Aufgabenplanung, Cache-Verwaltung, ereignisgesteuertes Design sowie die Trennung von Berechnung und Zustand – auf die Agent-Architektur an. Eine interne Instanz läuft bereits und beteiligt sich an der Reproduktion von Problemen und an Code-Reviews. Bis zum praktischen Einsatz bleiben drei Hürden: die genaue Wiederherstellung des Langzeitgedächtnisses, der Schutz vor Prompt Injection und Servereinbrüchen sowie die Möglichkeit für Nutzer, den Fortschritt zu verfolgen und zu entscheiden, welche Aktionen eine menschliche Freigabe erfordern.
