DeepSeek Merilis Prototipe Super-agent untuk Menangani Tugas Pemrograman Secara Paralel

Agen pemrograman yang dirancang untuk menangani beberapa pekerjaan sekaligus

Tim Harness DeepSeek menerbitkan rancangan Super-agent pada 31 Oktober 2026, bersama prototipe riset berlisensi MIT yang mengubah permintaan terkait repositori GitHub menjadi sesi pemrograman terpisah. Tujuannya adalah memungkinkan beberapa pekerjaan berjalan bersamaan, sehingga pengembang tidak perlu terlalu sering berpindah percakapan dan memeriksa progres.

Eksperimen awal tim menggunakan sekitar 300 pesan simulasi yang memuat kurang lebih 20 permintaan pekerjaan. Super-agent menyelesaikan separuh tugas dalam 12,4 menit dan 95% tugas dalam 15,7 menit. Sistem pembanding yang menggunakan satu sesi utama dengan akses ke agen pembantu membutuhkan 29,5 menit untuk mencapai angka 95% dengan instruksi netral.

Repositori prototipe publik DeepSeek, bernama dsh-superagent-prototype, menawarkan rilis praktis dengan cakupan lebih terbatas: agen pemrograman proaktif untuk satu repositori GitHub, dikemas sebagai bundel untuk DeepSeek Harness. Agen ini memantau GitHub dan, secara opsional, Feishu; membuat item pekerjaan ketika orang yang berwenang meminta bantuan; lalu merespons di percakapan semula, berpotensi dengan pull request yang mengusulkan perubahan kode.

README-nya juga memuat peringatan tegas. Kode yang dipublikasikan berbeda dari sistem internal dan dari beberapa bagian esai desain. Sejumlah fitur yang diusulkan masih dalam tahap pengembangan, dan DeepSeek menyebut rilis ini sebagai kode riset, bukan produk jadi.

Tim DeepSeek Harness, yang memelihara prototipe ini, menjelaskan statusnya dalam README:

Prototipe riset untuk referensi saja, bukan produk resmi DeepSeek.

Bagi pengembang, rilis ini menyediakan kode untuk ditinjau dan diadaptasi. Eksperimen utamanya membahas cara agen mengatur pekerjaan, mengingat percakapan terkait, dan memutuskan kapan seseorang perlu turun tangan.

Mengapa DeepSeek ingin menyembunyikan pengelolaan sesi

Rancangan DeepSeek berangkat dari pengamatan atas pekerjaan mereka sendiri: seseorang biasanya hanya mampu mengikuti tiga hingga lima sesi agen aktif sekaligus. Setiap sesi memiliki riwayat percakapannya sendiri, sehingga pengembang harus mengingat tugas mana berada di sesi yang mana serta instruksi apa yang telah diterima setiap agen.

Harness adalah perangkat lunak di sekitar model AI yang mengelola alat, berkas, percakapan, dan eksekusi. Model menalar tugas; harness menentukan bagaimana tugas disampaikan kepada model dan bagaimana tindakannya dijalankan. Super-agent memindahkan lebih banyak tanggung jawab untuk mengoordinasikan beberapa pekerjaan ke perangkat lunak pendamping tersebut.

Tim ini menyebut empat tujuan: kesinambungan antarpercakapan, eksekusi paralel yang efisien, respons proaktif terhadap berbagai peristiwa, serta operasi berkelanjutan dengan pemulihan dari gangguan. Salah satu contohnya adalah pengembang yang memilih rencana lewat obrolan, lalu mengubahnya dalam komentar GitHub. Sistem seharusnya menghubungkan kedua percakapan itu dan menyesuaikan tugas yang sama.

Rilis ini menyusul eksperimen DeepSeek pada 3 Oktober tentang kompatibilitas ekstensi Claude Code di Harness v0.2.1-alpha.1. Pembaruan itu menguji jembatan untuk ekstensi; Super-agent mengeksplorasi cara harness mengoordinasikan pekerjaan yang sedang berlangsung. Yujia Qiao tercatat sebagai pelaksana sistem dan penulis esai desain, sementara 15 orang lainnya dicantumkan sebagai peserta tinjauan dan diskusi.

Satu Router mengoordinasikan, beberapa Worker mengeksekusi

Super-agent membagi tanggung jawab antara Router yang selalu aktif dan beberapa Worker terpisah. Router menerima interaksi manusia, memelihara informasi yang digunakan bersama lintas tugas, dan membagikan pekerjaan. Router tidak mengerjakan pemrograman sendiri, sehingga peran koordinasinya tetap tersedia saat sesi lain sibuk.

Worker menangani pekerjaan masing-masing. Setiap Worker memiliki konteks percakapan dan alat eksekusinya sendiri, sehingga penyelidikan bug, tanggapan atas tinjauan kode, dan perubahan fitur dapat berlangsung bersamaan. Worker melaporkan hasil kepada Router, yang berkomunikasi dengan orang-orang agar beberapa sesi tidak membalas secara terpisah.

DeepSeek menyarankan model yang lebih ringan untuk menangani perutean, sementara model yang lebih kuat mengerjakan tugas yang menentukan kualitas kode. Worker juga dapat membuat agen pembantu untuk pekerjaan yang rumit. Router mengelola hubungan antarpekerjaan, bukan merencanakan setiap langkah di dalamnya.

Prototipe ini memberikan sesi dan direktori tersendiri untuk setiap item pekerjaan, dengan peluncuran yang berlangsung bersamaan hingga batas yang telah ditentukan. Dengan demikian, operator dapat mengatur jumlah pekerjaan yang dimulai secara serentak. Riwayat percakapan yang terpisah mengurangi kemungkinan detail dari satu tugas mengaburkan tugas lain, sementara Router mempertahankan gambaran bersama.

Bagaimana pesan menjadi tugas tanpa interupsi terus-menerus

Pesan obrolan, komentar tinjauan kode, dan hasil pengujian otomatis menjadi peristiwa yang dapat memicu tindakan. Rancangan yang lebih luas juga mempertimbangkan email dan pengingat kalender. Integrasi berkelanjutan, atau CI, merujuk pada pemeriksaan otomatis yang membangun atau menguji kode setelah perubahan, lalu menghasilkan keluaran yang dapat ditanggapi agen.

DeepSeek menyaring peristiwa ini dalam dua tahap. Aturan program biasa terlebih dahulu memeriksa hal-hal seperti sumber, grup, dan pengguna yang berwenang. Selanjutnya, model mengevaluasi kandidat yang tersisa berdasarkan konteks dan kebijakan tertulis. Cara ini menghemat panggilan model untuk pesan rutin yang tidak memerlukan tindakan.

Peristiwa terkait dikelompokkan menjadi Thread, misalnya komentar di bawah satu pull request atau satu topik obrolan. Setelah Worker menerima tugas, Worker tersebut berlangganan ke Thread itu. Komentar dan hasil pengujian berikutnya dapat langsung diteruskan kepadanya tanpa meminta Router membagikan ulang tugas tersebut.

Beberapa langganan dapat saling tumpang tindih. Beberapa Worker yang menangani pull request yang sama dapat menerima pembaruan yang sama, sehingga mereka dapat mengetahui perubahan yang memengaruhi pekerjaan mereka. Worker juga dapat mengikuti beberapa Thread terkait, atau mengembalikan peristiwa kepada Router jika peristiwa tersebut di luar tugasnya.

Bertindak lebih awal, tetapi hanya berbicara saat berguna

DeepSeek mengatakan Super-agent internal sudah berjalan terus-menerus untuk mereproduksi dan memperbaiki masalah, merespons tinjauan kode, serta membantu mengembangkan Harness itu sendiri. Aturan tertulis mengizinkannya menyelidiki bug yang disebutkan dalam obrolan grup meskipun tidak ada yang menandai agen secara langsung.

Aturan tersebut mengutamakan penyelidikan tanpa banyak bicara. Agen mencoba mereproduksi masalah yang dilaporkan dan mencari perbaikan sederhana, lalu menyampaikan hasil yang berguna. Dalam salah satu contoh, para pengembang membahas masalah ketika tanda tilde muncul sebagai format coret, sementara agen telah membuka pull request berisi usulan perbaikan.

Tim Harness menjelaskan prinsip operasionalnya dalam README:

menggunakan sesedikit mungkin perhatian manusia dan memberikan nilai sebanyak mungkin.

Prototipe bertindak ketika orang yang berwenang meminta bantuan atau ketika aturan yang ditulis tim mengizinkannya. Panel web-nya menampilkan item pekerjaan yang membutuhkan perhatian manusia. Dengan demikian, antarmuka berfokus pada keputusan dan hasil yang dapat digunakan, bukan setiap pemanggilan alat atau pemikiran antara.

Mempertahankan konteks lama dan instruksi baru agar tetap tersedia

Rancangan DeepSeek memperlakukan jendela konteks model, yaitu jumlah informasi terbatas yang dapat dipertimbangkan sekaligus, seperti cache. Materi yang sering dibutuhkan tetap mudah dijangkau; riwayat yang lebih panjang atau kurang relevan disimpan di luar jendela hingga diminta.

Esai tersebut menyebut operasi ini Inline dan Spill. Inline menempatkan detail yang berguna langsung ke dalam konteks saat ini, seperti pesan obrolan di sekitarnya, pengenal, atau pratinjau singkat. Spill menyimpan konten yang lebih panjang di tempat lain dengan referensi yang dapat diikuti model untuk membaca lebih lanjut.

Chain of Recall menghubungkan referensi tersebut. Peristiwa, Thread, dan sesi Worker memperoleh pengenal unik, sehingga agen dapat berpindah dari pesan saat ini ke diskusinya, lalu ke Worker terkait dan tinjauan kode lainnya. Tujuannya adalah menemukan kembali tugas lama di berbagai kanal tanpa berulang kali memuat seluruh riwayatnya.

DeepSeek juga menangani masalah interupsi yang lebih langsung: perintah yang berjalan lama dapat menghalangi agen konvensional untuk merespons. Mekanisme asinkronnya memulai pekerjaan di latar belakang dan mengirimkan hasilnya kembali sebagai peristiwa baru. Pengguna dapat terus memberikan instruksi, termasuk meminta agen mengubah arah atau berhenti.

Tim tersebut mengatakan mekanisme ini telah diterapkan di DeepSeek Harness, tetapi tidak diaktifkan secara bawaan. Aturan komunikasi juga berbeda-beda menurut kanal: rancangan membatasi satu balasan pesan instan hingga 100 kata, sedangkan pull request dan dokumen mendapatkan penjelasan perubahan dan verifikasi yang lebih terstruktur.

Koordinasi di cloud, pekerjaan di komputer lokal

DeepSeek memisahkan komputasi yang menjalankan agen, riwayat sesi yang tersimpan, dan mesin tempat perintah dieksekusi. Siklus kerja agen yang diusulkan berjalan di kontainer cloud, status sesi disimpan di basis data, dan layanan lokal yang ringan mengeksekusi perintah serta mengembalikan hasilnya.

Pengaturan ini mendukung Bring Your Own Machine, atau BYOM. Pengembang dapat menghubungkan komputer yang sudah berisi repositori, alat, dan perubahan yang belum selesai, alih-alih memindahkan semuanya ke lingkungan jarak jauh yang baru. Koordinasi cloud tetap tersedia saat komputer itu terputus, sementara tugas yang membutuhkannya menunggu hingga perangkat kembali tersambung.

Sesi Watchdog independen memeriksa kegagalan dan pekerjaan yang terhenti. Fungsinya bukan sekadar mendeteksi pesan kesalahan: Watchdog menggunakan penilaian model untuk memastikan apakah Worker benar-benar membuat kemajuan atau mulai menyimpang dari tujuan, lalu mencoba melakukan pemulihan bila diperlukan.

DeepSeek menyajikan elemen-elemen ini sebagai bagian dari eksplorasi arsitektur yang lebih luas. README memperingatkan bahwa bundel publik berbeda dari implementasi internal, sehingga pengembang perlu memeriksa kode yang dirilis sebelum mengandalkan fitur desain tertentu.

Apa yang diukur dalam eksperimen

DeepSeek mengulangi setiap konfigurasi eksperimen sebanyak lima kali, membandingkan Super-agent dengan versi yang tidak memiliki pengiriman peristiwa langsung dan dua konfigurasi sesi tunggal yang dilengkapi agen pembantu. Beban kerjanya menggunakan pesan sintetis dan alat yang menyimulasikan pekerjaan pemrograman panjang. Jarak antar-pesan dan durasi kerja diperkecil menjadi seperempatnya.

Median 12,4 menit berarti separuh tugas selesai pada titik tersebut. Persentil ke-95 sebesar 15,7 menit berarti 95% tugas selesai dalam waktu itu. Dibandingkan persentil ke-95 sesi tunggal dengan instruksi netral yang mencapai 29,5 menit, Super-agent mengurangi ukuran tersebut sebanyak 13,8 menit, atau sekitar 47%.

Perilaku delegasi membantu menjelaskan hasilnya. Dengan instruksi netral, sesi tunggal tidak pernah memanggil agen pembantunya dalam satu pun dari lima percobaan. Ketika diminta memprioritaskan delegasi, sesi itu mendelegasikan pekerjaan dalam empat percobaan dan mengerjakannya sendiri pada percobaan kelima. Super-agent menjadikan pemisahan antara koordinasi dan eksekusi sebagai pilihan struktural.

Pengujian mengevaluasi penjadwalan dan koordinasi dengan eksekusi simulasi. Kualitas pemrograman nyata, pengukuran kinerja independen, dan jumlah pengguna aktif belum dilaporkan, sementara tim menyebut pengukurannya sebagai hasil awal. DeepSeek belum memberikan tanggal untuk rilis produksi.

Koordinasi lebih cepat menggunakan lebih banyak token cache

Konkurensi Super-agent disertai penggunaan input cache yang lebih besar. Sistem ini membaca 23,23 juta token cache, dibandingkan dengan 6,05 juta dan 10,82 juta pada dua konfigurasi sesi tunggal. Token adalah unit kecil teks yang diproses model; pembacaan cache menggunakan kembali input yang tersimpan dari permintaan sebelumnya.

Menghapus pengiriman peristiwa langsung meningkatkan pembacaan cache dari 23,23 juta menjadi 31,77 juta, atau sekitar 37%, dan menaikkan jumlah keputusan Router sekitar 30%. Dengan demikian, mengirimkan tindak lanjut langsung kepada Worker yang ditugaskan mengurangi pekerjaan koordinasi dalam rancangan paralel.

Pemrosesan secara berkelompok membantu Router menangani lalu lintas yang lebih padat. Saat kedatangan peristiwa meningkat dari sekitar satu menjadi 40 pemicu per menit, ukuran rata-rata kelompok naik dari 1,0 menjadi 2,8 dan durasi permintaan bertambah dari 2,5 menjadi 3,9 detik. Waktu inferensi yang dilaporkan untuk setiap keputusan Router turun dari 6,4 menjadi 1,6 detik.

Konsekuensi praktisnya adalah pertukaran antara mengurangi waktu tunggu pengguna dan meningkatkan pemrosesan model di beberapa sesi terpisah. Angka token tersebut tidak menunjukkan biaya dalam uang; tim yang mempertimbangkan penerapan perlu memperhitungkan harga model, pengaturan konkurensi, dan beban kerja yang sebenarnya.

Izin lokal menjadikan keamanan perhatian utama

Dokumentasi eksekusi prototipe menyatakan bahwa perintah Worker berjalan tanpa persetujuan menggunakan akun sistem operasi operator. Perintah shell latar depan beralih ke eksekusi latar belakang setelah lima detik, dan pekerjaan di latar belakang mendapat waktu hingga 30 menit per giliran. Pengaturan ini menjadikan izin akun operator sebagai pertimbangan nyata dalam penerapan.

Komputer yang terhubung mungkin menyimpan kredensial, kode privat, dan berkas sensitif. Injeksi prompt, ketika konten berbahaya mencoba mengarahkan ulang agen melalui materi yang dibacanya, menjadi sangat serius jika pesan masuk atau konten repositori dapat memengaruhi perintah pada mesin tersebut.

DeepSeek menyebut keamanan dan privasi, penskalaan Router, memori jangka panjang, serta komunikasi antarinstans agen sebagai area yang belum tuntas. README meminta pengguna meninjau dan mengadaptasi kode, serta memperingatkan bahwa bug dan praktik rekayasa yang tidak konsisten mungkin masih ada. Sebagian besar pekerjaan rekayasa sistem ini sendiri dilakukan oleh agen pemrograman.

Peluncuran ini segera menarik perhatian, termasuk melalui unggahan kepala riset Hugging Face, Leandro von Werra. Urutan berikut menunjukkan seberapa cepat prototipe ini menyebar:

• 31 Oktober 2026, pukul 09:32 UTC: repositori GitHub dibuat.
• 31 Oktober: tim Harness menerbitkan esai desain; pada pukul 22:10 UTC, repositori tersebut telah memperoleh 2.046 bintang dan 172 fork.
• 1 November, pukul 04:20 UTC: repositori tersebut telah mencapai 3.433 bintang.

Bagi tim rekayasa, keputusan terdekat adalah apakah akan meninjau dan mengadaptasi sistem koordinasi eksperimental ini. Daya tariknya terletak pada peluang menangani lebih banyak pekerjaan dengan lebih sedikit interupsi; tuntutan operasionalnya mencakup peninjauan kode, pengaturan izin, dan penentuan tindakan mana yang memerlukan campur tangan seseorang.

Poin Utama

• DeepSeek merilis prototipe riset berlisensi MIT untuk pekerjaan pemrograman di satu repositori GitHub, dengan integrasi Feishu opsional.
• Router menangani koordinasi, sementara beberapa Worker terpisah menjalankan tugas secara bersamaan.
• Sistem internal dapat menyelidiki bug yang dilaporkan sesuai aturan tertulis tanpa perlu ditandai secara langsung.
• Pengujian sintetis mencatat waktu penyelesaian median 12,4 menit dan persentil ke-95 sebesar 15,7 menit, dengan penggunaan token cache lebih tinggi dibandingkan alternatif sesi tunggal.
• Worker menjalankan perintah menggunakan akun operator tanpa persetujuan, sehingga izin dan kredensial menjadi perhatian utama.
• Kode publik berbeda dari sistem internal dan masih berupa prototipe riset, bukan produk resmi DeepSeek.