DeepSeek libera dsh-superagent como open source: el blueprint del Super-agent se hace público

Los hechos, según verificación (31 oct)

• El repo, verificado directamente. deepseek-ai/dsh-superagent-prototype, descripción «Towards a More Autonomous Agent System», licencia MIT, creado 2026-10-31T09:32:46Z, más de 1.500 estrellas en el día. La primera línea del README enmarca todo: prototipo de investigación, solo referencia, no un producto oficial de DeepSeek; creció del trabajo diario del equipo, con gran parte de la ingeniería hecha por agentes de código.
• Lo que realmente corre. Un agente de código proactivo acotado a un único repositorio de GitHub, entregado como bundle para DeepSeek Harness. Escucha GitHub y, opcionalmente, Feishu. Cuando una persona autorizada pide trabajo, abre un elemento de trabajo, lo ejecuta en su propia sesión y directorio de agente, y responde en la conversación original — por ejemplo con un pull request. Un panel web señala qué requiere intervención humana.
• La filosofía, textual. «Tomar la menor atención humana posible y dar el mayor valor posible». El agente actúa solo cuando se le pide o cuando una regla escrita por el equipo lo permite, y habla solo cuando alguien debe actuar o puede aprovechar un resultado — porque un agente que puede actuar por todo un equipo también puede desperdiciar la atención de todo un equipo.
• La arquitectura en el artículo (según QbitAI): un Super-agent con cuatro propiedades — continuidad (contexto entre sesiones y plataformas), eficiencia (workers en paralelo), proactividad (ejecución especulativa: encontrar bugs, reproducirlos y abrir PRs de arreglo sin que nadie lo pida) y persistencia (en línea 24/7 con auto-recuperación). La forma es un Router (recibe mensajes, asigna tareas, retiene el contexto global) que despacha a un pool de sesiones Worker; cómputo, estado y entorno de ejecución están separados, de modo que la nube sigue corriendo cuando el dispositivo se desconecta. Un Watchdog — una IA supervisando a otra IA — detecta fallos, bucles inútiles y desvíos de objetivo, e interviene.
• El interior del repo confirma la división. La sesión principal corre dsh-superagent-router con un set de herramientas más pequeño; los subagentes worker corren el preset standard de DeepSeek Harness con los permisos del worker y pierden sus herramientas al terminar el ticket. Los workers llegan a GitHub vía gh de la cuenta del agente y a Feishu vía lark-cli; un mecanismo WorkerSlots reserva capacidad antes de despertar workers inactivos.
• Los números, y su peso. En el entorno simulado del artículo — unos 300 mensajes, 20 solicitudes de trabajo, cinco corridas por configuración — el Super-agent completó tareas con mediana de 12,4 minutos y percentil 95 de 15,7, contra 29,5 p95 de una línea base tradicional de sesión única. Una ablación añade el ángulo de costo: quitar el paso directo de eventos elevó las decisiones del Router cerca del 30% y los tokens leídos de caché cerca del 37%. Son mediciones de DeepSeek sobre su propio diseño, no un benchmark independiente.

Verificado contra el repositorio de GitHub (leído directamente el 31 de octubre de 2026) y el reporte de QbitAI sobre el artículo de ingeniería de DeepSeek. Para este artículo no se realizó despliegue ni reproducción de benchmarks; las cifras de tiempo de compleción se atribuyen a su fuente.

Contexto: DeepSeek invierte en la capa de runtime

Dos mecanismos del artículo pesan tanto como los benchmarks. Handoff por suscripción: una vez que un Worker toma un hilo (por ejemplo un PR de GitHub), se suscribe directamente a los comentarios posteriores en vez de enrutar cada evento por el Router — la ablación de arriba muestra que es una feature de costo, no solo de latencia. Filtrado de eventos en dos niveles: primero criban reglas de programa, y solo el resto ambiguo pasa al juicio de un modelo. Ambos son ingeniería de costo en tokens a nivel arquitectónico — la misma palanca que el precio del input cacheado, aplicada en código.

El artículo también describe un bucle ReAct asíncrono que sigue aceptando instrucciones nuevas mientras corre una tarea larga, y nota que ya está implementado en DeepSeek Harness (deshabilitado por omisión); el repo aterriza justo ahí: dsh-superagent es un bundle de Harness. DeepSeek sigue invirtiendo por encima de la API — Harness como runtime de agentes (nuestra cobertura del input multimodal), frameworks de terceros que conectan DeepSeek (la pila Hermes-sobre-DeepSeek) y ahora una referencia full-stack con opiniones para agentes siempre activos.

Sobre el «dsh dot» rumoreado: la lectura de QbitAI es que la comunidad recibió primero arquitectura y prototipo, sin ningún producto de consumo anunciado. Trátalo como reporte; y trata este lanzamiento como la señal que de verdad importa a los builders — las decisiones de diseño son públicas, ejecutables y con licencia MIT.

Qué significa para los builders

Para probar el prototipo: la instalación es deliberadamente asistida por agente — SETUP.md indica que tu agente de código lo instale y configure contigo, una pregunta corta por vez. Los documentos numerados (de 000 filosofía a 008 cookbook) se leen en orden, pnpm check corre typecheck, tests y build, y la licencia MIT permite cualquier adaptación. Suma al presupuesto la advertencia del README: código de investigación, bugs posibles, estilo inconsistente — revísalo antes de apuntarlo a algo que te importe.

La parte transferible es el conjunto de patrones, y ninguno requiere el prototipo: (1) un Router de contexto pequeño que despacha, con sesiones Worker robustas que trabajan — la disciplina de contexto es disciplina de costo. (2) Filtrado reglas-y-luego-LLM para que el código barato pague lo obvio. (3) Suscripción directa tras el handoff para que el dispatcher deje de pagar por hilos que ya no posee. (4) Un bucle asíncrono para que una tarea de 15 minutos no deje sordo al agente. (5) Un watchdog para que un agente 24/7 falle ruidosamente en vez de pudrirse en silencio. Los cinco corren en endpoints DeepSeek compatibles con OpenAI — las mismas familias de modelos que cubren la guía de API de DeepSeek y la tabla comparativa.

Vigila tres señales para el seguimiento: una URL pública del propio artículo, movimiento hacia el agente de consumo rumoreado, y si los bundles de Harness se convierten en un canal de distribución donde otros equipos también publiquen. Si alguna se mueve, esta página recibe una entrada de actualización.

Acceso desde fuera de China — y el descargo habitual

Este sitio rastrea las API de modelos chinos para builders internacionales: endpoints oficiales, precios y estado open source. La guía de API de DeepSeek cubre el endpoint compatible con OpenAI y la alineación de modelos detrás de este ecosistema; la tabla comparativa sostiene la escalera entre proveedores.

Declaración de independencia: ChinaModelAPI es un sitio de información independiente, sin afiliación con DeepSeek ni ningún proveedor de modelos. Los hechos provienen del repositorio oficial (lectura directa) y de reportes explícitamente atribuidos; las cifras de benchmark son del proveedor y no están verificadas; nada en esta página es una promesa de enrutamiento, disponibilidad ni producto.

Fuentes primarias

• GitHub — deepseek-ai/dsh-superagent-prototype (MIT, creado el 2026-10-31; README, docs 000–008, SETUP.md)
• Reporte de QbitAI (量子位), 31 oct 2026 — el artículo de ingeniería «Exploring Super-agent Design: Towards a More Autonomous Agent System» y los detalles de benchmark
• Referencias internas: DeepSeek Harness con input multimodal · pila Hermes sobre DeepSeek · actualización V4.1-Flash-1017 · guía de API de DeepSeek

FAQ (2026)