DeepSeek open-sourct dsh-superagent: Der Super-agent-Blueprint wird öffentlich

Die Fakten, wie verifiziert (31. Okt.)

• Das Repo, direkt verifiziert. deepseek-ai/dsh-superagent-prototype, Beschreibung „Towards a More Autonomous Agent System“, MIT-Lizenz, erstellt 2026-10-31T09:32:46Z, 1.500+ Sterne am selben Tag. Die erste README-Zeile rahmt alles: Forschungsprototyp, nur Referenz, kein offizielles DeepSeek-Produkt; gewachsen aus der täglichen Teamarbeit, ein Großteil der Engineering-Leistung von Coding-Agenten erbracht.
• Was tatsächlich läuft. Ein proaktiver Coding-Agent, begrenzt auf ein einzelnes GitHub-Repository, ausgeliefert als Bundle für DeepSeek Harness. Er lauscht auf GitHub und optional Feishu. Wenn eine berechtigte Person Arbeit anfragt, öffnet er ein Work Item, bearbeitet es in seiner eigenen Agent-Session und Verzeichnis und antwortet im ursprünglichen Gespräch — etwa mit einem Pull Request. Ein Web-Panel macht sichtbar, was einen Menschen braucht.
• Die Philosophie, wortwörtlich. „Nimm so wenig menschliche Aufmerksamkeit wie möglich und gib so viel Wert wie möglich.“ Der Agent handelt nur auf Anfrage oder wenn eine vom Team geschriebene Regel es erlaubt, und spricht nur, wenn jemand handeln muss oder ein Ergebnis verwerten kann — denn ein Agent, der für ein ganzes Team handeln kann, kann auch die Aufmerksamkeit eines ganzen Teams verbrauchen.
• Die Architektur im Artikel (wie von QbitAI berichtet): ein Super-agent mit vier Eigenschaften — kontinuierlich (Kontext über Sessions und Plattformen), effizient (parallele Worker), proaktiv (spekulative Ausführung: Bugs finden, reproduzieren und Fix-PRs stellen, ohne gefragt zu werden) und persistent (24/7 online mit Selbstwiederherstellung). Die Form: ein Router (empfängt Nachrichten, vergibt Aufgaben, hält den globalen Kontext), der an einen Pool von Worker-Sessions verteilt; Rechenleistung, Zustand und Ausführungsumgebung sind getrennt, sodass die Cloud weiterläuft, wenn das Gerät offline geht. Ein Watchdog — KI, die KI beaufsichtigt — erkennt Ausfälle, nutzlose Schleifen und Zielabweichung und greift ein.
• Repo-Interna bestätigen den Split. Die Haupt-Session läuft mit dsh-superagent-router und kleinerem Werkzeugsatz; Worker-Subagenten laufen auf DeepSeek Harness’ Standard-Preset mit den Rechten des Workers und verlieren ihre Werkzeuge mit Ticketende. Worker erreichen GitHub über gh des Agent-Accounts und Feishu über lark-cli; ein WorkerSlots-Mechanismus reserviert Kapazität, bevor inaktive Worker geweckt werden.
• Die Zahlen — und ihr Gewicht. In der simulierten Umgebung des Artikels — rund 300 Nachrichten, 20 Arbeitsanfragen, fünf Läufe pro Konfiguration — schloss der Super-agent Aufgaben mit einem Median von 12,4 Minuten und einem 95. Perzentil von 15,7 ab, gegenüber 29,5 p95 für eine klassische Single-Session-Baseline. Eine Ablation ergänzt die Kostenperspektive: Ohne direkten Event-Pass-through stiegen Router-Entscheidungen um rund 30 % und Cache-Lese-Tokens um rund 37 %. Das sind DeepSeeks eigene Messungen des eigenen Designs, kein unabhängiger Benchmark.

Verifiziert gegen das GitHub-Repository (direkt gelesen am 31. Oktober 2026) und den QbitAI-Report über DeepSeeks Engineering-Artikel. Für diesen Artikel wurden kein Deployment und keine Benchmark-Reproduktion durchgeführt; Laufzeitangaben sind ihren Quellen zugeordnet.

Kontext: DeepSeek investiert in die Runtime-Ebene

Zwei Mechanismen des Artikels wiegen so schwer wie die Benchmarks. Subscription-Handoff: Sobald ein Worker einen Thread (etwa einen GitHub-PR) übernimmt, abonniert er Folgekommentare direkt, statt jedes Ereignis durch den Router zu routen — die Ablation oben zeigt, dass das ein Kosten- und nicht nur ein Latenz-Feature ist. Zweistufige Ereignisfilterung: Programmregeln sieben zuerst, nur der mehrdeutige Rest geht zur Beurteilung an ein Modell. Beides ist Token-Kosten-Engineering auf Architekturebene — derselbe Hebel wie Cached-Input-Preise, in Code gegossen.

Der Artikel beschreibt zudem eine asynchrone ReAct-Schleife, die während eines langen Tasks weiter neue Anweisungen annimmt, und merkt an, dass sie bereits in DeepSeek Harness implementiert (standardmäßig deaktiviert) ist — und genau dort landet das Repo: dsh-superagent ist ein Harness-Bundle. DeepSeek investiert weiter oberhalb der API — Harness als Agent-Runtime (unsere Multi-Modal-Berichterstattung), Drittanbieter-Frameworks, die DeepSeek einbinden (der Hermes-on-DeepSeek-Stack), und jetzt eine meinungsstarke Full-Stack-Referenz für Always-on-Agenten.

Zum gerüchteten „dsh dot“: QbitAIs Lesart ist, dass die Community zuerst Architektur und Prototyp bekam, ohne ankündigtes Consumer-Produkt. Als berichtet behandeln — und diesen Release als das Signal, das für Builder wirklich zählt: Die Designentscheidungen sind öffentlich, ausführbar und MIT-lizenziert.

Was das für Builder bedeutet

Zum Ausprobieren des Prototyps: Das Setup ist bewusst agentengestützt — SETUP.md weist Ihren Coding-Agenten an, Installation und Konfiguration mit Ihnen zusammen durchzuführen, jeweils eine kurze Frage pro Schritt. Die nummerierten Docs (000 Philosophie bis 008 Cookbook) sind der Reihe nach zu lesen, pnpm check läuft mit Typecheck, Tests und Build, und die MIT-Lizenz erlaubt jede Anpassung. Planen Sie zugleich die README-Warnung ein: Forschungscode, mögliche Bugs, inkonsistenter Stil — Review, bevor Sie ihn auf etwas Loslassen, das Ihnen wichtig ist.

Der übertragbare Teil ist das Musterbündel, und keines davon braucht den Prototyp: (1) Ein kontextarmer Router verteilt, dicke Worker-Sessions arbeiten — Kontextdisziplin ist Kostendisziplin. (2) Rules-then-LLM-Ereignisfilterung: Der billige Code zahlt für das Offensichtliche. (3) Direktes Abonnement nach dem Handoff, damit der Dispatcher für Threads nicht mehr zahlt, die er nicht mehr besitzt. (4) Eine asynchrone Schleife, damit ein 15-Minuten-Task den Agenten nicht taub macht. (5) Ein Watchdog, damit ein 24/7-Agent laut fehlschlägt statt still zu verrotten. Alle fünf laufen auf normalen OpenAI-kompatiblen DeepSeek-Endpunkten — dieselben Modellfamilien, die der DeepSeek-API-Guide und die Vergleichstabelle abdecken.

Drei Signale für das Follow-up beobachten: eine öffentliche URL für den Artikel selbst, Bewegung hin zum gerüchteten Consumer-Agenten, und ob Harness-Bundles ein Vertriebskanal werden, in dem auch andere Teams veröffentlichen. Bewegt sich eines, bekommt diese Seite einen Update-Eintrag.

Zugang von außerhalb Chinas — und der übliche Disclaimer

Diese Seite verfolgt chinesische Modell-APIs für internationale Builder: offizielle Endpunkte, Preise, Open-Source-Status. Der DeepSeek-API-Guide behandelt den OpenAI-kompatiblen Endpunkt und die Modellpalette hinter diesem Ökosystem; die Vergleichstabelle hält die herstellerübergreifende Preisleiter.

Unabhängigkeits-Hinweis: ChinaModelAPI ist eine unabhängige Informationsseite, nicht mit DeepSeek oder einem Modellanbieter verbunden. Fakten stammen aus dem offiziellen Repository (direkt gelesen) und ausdrücklich zugeschriebener Berichterstattung; Benchmark-Zahlen sind Anbieterangaben und unverifiziert; nichts auf dieser Seite ist eine Routing-, Verfügbarkeits- oder Produktzusage.

Primärquellen

• GitHub — deepseek-ai/dsh-superagent-prototype (MIT, erstellt 2026-10-31; README, Docs 000–008, SETUP.md)
• QbitAI-Report (量子位), 31. Okt. 2026 — der Engineering-Artikel „Exploring Super-agent Design: Towards a More Autonomous Agent System“ und die Benchmark-Details
• Stationsinterne Querverweise: DeepSeek Harness Multi-Modal-Input · Hermes-on-DeepSeek-Stack · V4.1-Flash-1017-Update · DeepSeek-API-Guide

FAQ (2026)