1 ноября команда DeepSeek Harness опубликовала в X статью «Исследование дизайна суперагентов», посвящённую архитектуре суперагентов (Super-agent). Примерно за 15 часов статья набрала около 1,3 млн просмотров и 9,4 тыс. лайков. Это статья об архитектурной концепции, а не описание функций продукта.
Главное в двух словах: система берёт управление сессиями на себя, а у пользователя остаётся одна точка входа. Router (диспетчер на переднем плане) принимает запросы и распределяет задачи, Worker (сессии, работающие в фоне) выполняют их параллельно, а человек принимает решения на высоком уровне и утверждает результат.
Почему суперагент DeepSeek выходит за рамки одной сессии
Большинство современных агентов работают в рамках отдельной сессии. Если пользователь запускает несколько задач одновременно, ему приходится вручную переключаться между сессиями и держать в голове контекст каждой. По опыту команды DeepSeek Harness, человек обычно может одновременно вести от 3 до 5 активных сессий. Это наблюдение команды, а не универсальная статистика, но оно указывает на узкое место: выполнение одной задачи ограничено возможностями модели, а нескольких — вниманием человека.
Если добавить локальному агенту инструменты командной строки и внешние коннекторы, он сможет получать сообщения извне, но три ограничения останутся:
- Синхронная блокировка: классический ReAct (цикл рассуждений и вызовов инструментов) ждёт завершения долгой операции и в это время не может отвечать на новые сообщения.
- Смешивание контекста: промежуточные детали разных задач оказываются в одном окне и мешают друг другу.
- Привязка к устройству: как только локальное устройство переходит в спящий режим или отключается от сети, агент прекращает работу.
Поэтому в статье предлагается отвязать агента от любой отдельной сессии, управляемой вручную, и сделать его непрерывно работающей сущностью. Для этого ему нужны четыре свойства, перечисленные ниже. Один цикл ReAct их обеспечить не может — необходима дополнительная системная архитектура.
| Свойство суперагента | Проще говоря | Какие модули за это отвечают |
|---|---|---|
| Непрерывность | В мессенджерах и на GitHub общение идёт с одним и тем же агентом | Двухуровневая архитектура, взаимодействие через несколько каналов |
| Эффективность | Новые команды можно принимать, не дожидаясь завершения предыдущих; задачи выполняются параллельно | Двухуровневая архитектура, полнодуплексное взаимодействие |
| Инициативность | Агент отслеживает события в окружении и действует, только когда это нужно | Событийно-ориентированная архитектура |
| Устойчивость | Агент всегда онлайн и автоматически восстанавливается после сбоев | Разделение вычислений и состояния, Watchdog |
Пять модулей суперагента DeepSeek: разбор по пунктам
Для начала — общая таблица. Особое внимание стоит обратить на столбец «Можно ли использовать сейчас»: в статье описываются принципы проектирования, а не обязательно готовые функции.
| Модуль | Какую проблему решает | Ключевой подход | Можно ли использовать сейчас |
|---|---|---|---|
| Двухуровневая архитектура | Сложно одновременно обеспечить непрерывность и параллельное выполнение | Router только взаимодействует с пользователем и распределяет задачи, Worker выполняет их в изоляции | В прототипе есть похожий процесс, полную архитектуру нужно создавать самостоятельно |
| Событийно-ориентированная архитектура | Агент может лишь ждать команд, а поток событий слишком шумный | Быстрая фильтрация кодом, более тщательная оценка моделью, прямая доставка по подписке Thread | Прототип может отслеживать GitHub, опционально — Feishu |
| Полнодуплексная многоканальная связь | Долгие задачи блокируют диалог, логи отвлекают пользователя | Асинхронный вызов инструментов, правила ответов для каждого канала | В DeepSeek Harness асинхронные задачи уже реализованы, но по умолчанию отключены |
| Разделение вычислений, состояния и окружения | При отключении устройства работа останавливается, другие окружения недоступны | Цикл выполняется в облаке, состояние хранится в базе данных, конечные точки остаются на месте | В оригинале не сказано, что решение доступно пользователям; его нужно создавать самостоятельно |
| Watchdog | Процесс работает, но задача зависла или отклонилась от цели | Независимая сессия вне основной системы периодически проверяет её работу | В оригинале не сказано, что решение доступно пользователям; его нужно создавать самостоятельно |
Модуль 1: двухуровневая архитектура Router/Worker в суперагенте DeepSeek
Аналогия: Router — как администратор ресторана: встречает гостей и передаёт заказы. Worker — как повар на кухне: каждый готовит только одно блюдо.
Если все события поступают в одну сессию, контекст сохраняется наиболее полно, но пропускная способность остаётся низкой. Если для каждого события открывать новую сессию, задачи можно выполнять параллельно, но теряется общий контекст и возникает путаница: пользователю могут отвечать сразу несколько сессий. Двухуровневая архитектура разделяет эти задачи: постоянно работающий Router отвечает за общение с человеком и общую координацию и может обходиться вовсе без инструмента Bash. Контексты Worker изолированы: каждый занимается одной задачей, не общается с пользователем напрямую и передаёт свой статус Router. Как отмечается в оригинале, сессии должны оставаться деталью реализации системы, а не становиться лишней заботой пользователя.
Может показаться, что Router легко станет узким местом, но Trigger — события среды, поступившие за один цикл рассуждения, — попадают в очередь и обрабатываются вместе в следующем цикле. В его запросах обычно много входных данных и короткий ответ. Объединённые события обрабатываются параллельно на этапе Prefill — начальном этапе обработки входных данных моделью, — поэтому время выполнения запроса растёт медленнее, чем размер пакета. По опыту команды, работа Router часто оказывается проще, чем кажется, и обычно для неё достаточно лёгкой модели. Для начала можно подключить deepseek-v4.1-flash через APIYI · apiyi.com, запустить Router в тестовом режиме и проверить, насколько точно он распределяет задачи.
Worker напрямую влияет на результат задачи и качество кода, поэтому авторы считают, что для него обычно стоит использовать самую сильную модель. Можно сравнить deepseek-v4-pro и claude-opus-5-5 на одном наборе задач через APIYI · apiyi.com, а затем выбрать модель по умолчанию.
Модуль 2: событийные триггеры супер-агента DeepSeek
Аналогия: охранник сначала проверяет посетителей по списку, а если сомневается — зовёт менеджера. Последующие вопросы постоянного клиента сразу передают его прежнему менеджеру.
Чтобы агент работал проактивно, его основным источником входных данных должны стать не промпты пользователя, а события из окружающей среды: сообщения в групповых чатах, результаты CI и комментарии к ревью кода. В реальном потоке событий много шума. Если передавать каждое событие большой языковой модели, задержки и затраты вычислительных ресурсов окажутся слишком высокими. Поэтому в статье предложены два уровня фильтрации:
- Fast Path (быстрая фильтрация кодом): детерминированная проверка по источнику, группе и белым спискам пользователей или ботов. Для каждого источника можно задать один из режимов: «отвечать только на явные запросы», «рассматривать как событие-кандидат» или «игнорировать».
- Slow Path (проверка моделью): только события-кандидаты, прошедшие быструю фильтрацию, передаются LLM. Она решает, нужно ли действовать, с учётом контекста и правил, записанных в промпте.
Маршрутизация тоже бывает быстрой и медленной. Последовательные события в одном PR, обсуждении в мессенджере или цепочке писем образуют Thread. После подписки Worker на Thread последующие события передаются ему напрямую с помощью кода, без повторного решения Router. Если на один Thread подписано несколько Worker, они получают одинаковые уведомления и могут самостоятельно обнаруживать и разрешать конфликты.
Контекстом управляют по принципу кеширования. Информацию, которая скоро понадобится, помещают прямо в контекстное окно (Inline). Полную информацию, которая нужна редко, оставляют за пределами окна, сохраняя в нём только ссылку или краткое изложение (Spill). В статье также описаны упреждающие действия: агент заранее проверяет календарь или воспроизводит issue в фоновом режиме. Пользователю передаются только полезные результаты, остальные отбрасываются. Дополнительные вычислительные ресурсы при этом помогают сократить время ожидания и необходимость вмешательства человека.
Модуль 3: Полнодуплексное многоканальное взаимодействие суперагента DeepSeek
Аналогия: пока греется вода, не нужно стоять возле чайника: он подаст сигнал, когда закипит. А вы в это время можете спокойно поговорить с кем-то ещё.
Асинхронный ReAct заменяет длительные вызовы операциями start() и stop(). Вызов start() сразу возвращает управление, а инструмент работает в фоновом режиме. Когда он заканчивает, результат поступает в сессию как новое событие. Модель также может использовать stop(), чтобы остановить команду, которая выполняется слишком долго. Благодаря этому новый ввод пользователя можно обработать после завершения текущего шага рассуждения. В оригинале прямо сказано, что DeepSeek Harness уже поддерживает такой механизм асинхронных задач, но по умолчанию он пока не включён.
Многоканальность решает вопрос о том, «как общаться». В мессенджерах сообщения должны быть короткими и не отвлекать без необходимости: уведомления стоит отправлять только тогда, когда нужно принять решение или что-то согласовать. Команда проверила на практике одно жёсткое правило: не больше 100 слов в ответе. А вот для GitHub, электронной почты и документов нужен структурированный и насыщенный информацией вывод. Например, в PR стоит чётко описать контекст проблемы, внесённые изменения и результаты проверки.
Модуль 4: Разделение вычислительных ресурсов, состояния и среды суперагента DeepSeek
Аналогия: документы хранятся в архиве компании, поэтому сотрудник может продолжить работу, даже если пересядет за другой стол. А если нужен инструмент на конкретной машине, к ней отправляют человека.
В статье разделение происходит в два шага. Сначала цикл агента запускают в облачном контейнере без сохранения состояния, а состояние сессии хранят в базе данных. Поэтому перезапуск или замена контейнера не прерывает выполнение задачи. Затем среду выполнения оставляют на месте: на каждом устройстве устанавливают только лёгкий демон — небольшую программу, которая постоянно работает в фоновом режиме. Он не хранит состояние сессии, а лишь выполняет команды и возвращает результаты.
Такая архитектура также поддерживает BYOM (Bring Your Own Machine — подключение собственного компьютера к облачному агенту). Это избавляет от необходимости синхронизировать с облаком все незакоммиченные изменения и локальные учётные данные. Когда устройство снова появится в сети, облачный агент сможет продолжить задачи, которые нужно выполнить именно на нём. В статье Anthropic “Decoupling the brain from the hands” используется похожий подход к разделению компонентов — её можно прочитать для сравнения.
Модуль пять: внешний надзор Watchdog за суперагентом DeepSeek
Аналогия: дежурный руководитель не участвует в работе сам, а регулярно проверяет, кто остановился и кто отклонился от задачи.
Многие сбои агентов не приводят к падению процесса: он продолжает работать, но модель застревает в цикле и не выдаёт результата. Обычная проверка работоспособности этого не заметит. Watchdog — независимая сессия за пределами основной системы, которая запускается по расписанию. Она отслеживает как инфраструктурные сбои, например ошибки API и неудачное восстановление состояния, так и реальный прогресс каждого воркера, используя для этого модель. Сопровождающие могут спросить Watchdog на обычном языке, почему произошёл сбой, или попросить его изменить промпт и правила запуска прямо во время работы системы.
Что уже можно попробовать в прототипе суперагента DeepSeek
Сопутствующий репозиторий — github.com/deepseek-ai/dsh-superagent-prototype. Он распространяется по лицензии MIT; на момент сбора данных 2 ноября 2026 года у него было 8 636 звёзд и 863 форка. Это исследовательский прототип, а не официальный продукт DeepSeek. Он также не является ни внутренней версией команды, ни полной реализацией, описанной в статье: часть идей относится к будущим направлениям и в прототипе пока не реализована.
Прототип — проактивный агент для программирования, который работает с одним репозиторием GitHub и упакован как bundle для DeepSeek Harness. Он отслеживает события в GitHub, а при желании его можно подключить и к Feishu. Когда ему поручают задачу, он создаёт рабочую единицу, выполняет её в собственной сессии и директории, а затем возвращается с ответом в исходный диалог — например, сообщает о созданном PR. Отдельная веб-панель показывает вопросы, требующие участия человека.
Что показывают две серии экспериментов с супер-агентом DeepSeek
Все данные ниже приведены в официальной статье. Эксперименты проводились на синтетической нагрузке и в упрощённой среде; авторы предупреждают, что результаты носят справочный характер. В первой серии каждый прогон включал около 300 сообщений, из них примерно 20 рабочих запросов. Каждую архитектуру тестировали 5 раз. Задачи по написанию кода имитировали с помощью инструментов, которые просто занимали время, поэтому эксперимент измерял планирование и координацию, а не качество выполнения задач.
В таблице p50 означает, что половина задач была выполнена за указанное время, а p95 — что за него были выполнены 95% задач. Cache-read tokens — это число токенов, прочитанных из кэша: уже сохранённый контекст используется повторно без новой обработки. Здесь приведена сумма по всем сессиям.
| Архитектура | p50 (минуты) | p95 (минуты) | Cache-read tokens / прогон |
|---|---|---|---|
| Super-agent | 12.4 | 15.7 | 23.2M |
| Без Pass-through (прямой передачи по подписке) | 12.6 | 15.5 | 31.8M |
| Одна сессия + подчинённые агенты (нейтральный промпт) | 20.4 | 29.5 | 6.1M |
| Одна сессия + подчинённые агенты (промпт с приоритетом делегирования) | 13.8 | 29.0 | 10.8M |
С нейтральным промптом модель ни разу за 5 прогонов не вызвала подчинённого агента. С промптом, отдающим приоритет делегированию, она делегировала работу в 4 случаях из 5, а в оставшемся сочла задачу небольшой и выполнила её сама. Это показывает, что при такой нагрузке результаты одной сессии сильно зависят от промпта и решений модели по ходу работы, тогда как в двухуровневой архитектуре делегирование закреплено на уровне системы. Цена такого подхода тоже очевидна: Super-agent расходует заметно больше токенов на чтение из кэша, обменивая их на более короткое и стабильное время выполнения.
Без прямой передачи время выполнения почти не изменилось, но число решений Router выросло примерно на 30%, а расход cache-read tokens — примерно на 37%. Значит, при такой нагрузке прямая передача не ускорила выполнение; её основная польза — снижение нагрузки на Router.
Во второй серии отдельно нагрузочно тестировали слой Router: Router обращался к реальной модели, а Worker использовал имитационную модель. Частоту поступления триггеров (Trigger), требующих решения Router, постепенно повышали.
| Частота поступления (раз/минуту) | Средний размер пакета | Время одного запроса | Среднее время инференса на одно решение |
|---|---|---|---|
| Около 1 | 1.0 | 2.5 секунды | 6.4 секунды |
| Около 40 | 2.8 | 3.9 секунды | 1.6 секунды |
Одно решение может включать несколько запросов к LLM, поэтому среднее время на решение может превышать время одного запроса. Эти данные позволяют сделать вывод, что при резком наплыве событий автоматическое объединение повышает эффективную пропускную способность Router. Но они не доказывают, что результат будет таким же в реальной производственной среде, и ничего не говорят о качестве выполнения задач и работе с разными кодовыми базами.
Четыре открытых вопроса о суперагенте DeepSeek
В статье прямо признаётся, что следующие вопросы пока не решены. Их стоит учитывать при оценке вариантов внедрения:
- Как масштабировать архитектуру: для более крупных и тесно связанных задач пока неясно, нужно ли разбивать Router на части, насколько мелкими они должны быть и когда Worker должны общаться напрямую. Чем мельче разбиение, тем выше параллелизм, но тем меньше общей памяти и контекста. Долговременная память тоже остаётся серьёзным ограничением.
- Как работать без сессий: нужны новые способы взаимодействия, чтобы показывать ход выполнения задачи и позволять человеку вмешиваться в важные детали, не прерывая фоновую работу.
- Границы контекста и A2A: A2A (agent-to-agent) — это общее название для общения и совместной работы агентов. По мере роста организации настройка суперагента фактически определяет, какой контекст будет общим, а какой — изолированным. Как безопасно сотрудничать между различными уровнями доступа, пока неясно.
- Безопасность и конфиденциальность: этот вопрос нужно оценить в первую очередь. Облачный цикл непрерывно получает внешние события, а на подключённых устройствах хранятся приватный код и локальные учётные данные. Если сервер взломают или цикл скомпрометируют с помощью prompt injection — вредоносных инструкций, скрытых во входных данных, — под контроль злоумышленника могут попасть все подключённые устройства. По мнению авторов статьи, агентам нужен способ пользоваться учётными данными, не видя их.
Минимальный план внедрения супер-агента DeepSeek для небольшой команды
Этот порядок мы предлагаем на основе идей оригинальной статьи — это не официальная дорожная карта. Начните с пилота в одном репозитории и в доверенной среде. Шардирование Router пока не внедряйте.
Шаг 1: разделите Router и Worker
- Код: создайте постоянно работающую точку входа Router без доступа к инструменту Bash. Для каждой задачи запускайте отдельный Worker со своим контекстом и рабочим каталогом. Worker должен передавать результаты только Router.
- Модели: используйте лёгкую модель для Router и более мощную для Worker. Настраивайте их отдельно, чтобы любую из них можно было заменить независимо от другой.
- Люди: общайтесь только с Router. Определяйте границы задач, принимайте решения по его запросам и утверждайте итоговый результат.
Шаг 2: добавьте фильтрацию Trigger
- Код: настройте список разрешённых источников и трёхуровневую политику. Сопоставьте PR и темы в мессенджерах с Thread; последующие события, на которые уже оформлена подписка, передавайте напрямую Worker.
- Модели: выполняйте семантическую оценку только для отобранных событий, чтобы решить, нужно ли действовать и запускать ли новый Worker.
- Люди: чётко опишите условия срабатывания в промпте. Регулярно проверяйте ложные срабатывания и пропущенные события, затем корректируйте список разрешённых источников и политики.
Шаг 3: добавьте Watchdog
- Код: разверните его отдельно от основной системы и запускайте по сообщениям, отправляемым по расписанию. Пусть он проверяет инфраструктурные проблемы, например ошибки API и сбои восстановления состояния.
- Модели: анализируйте записи о прогрессе Worker, чтобы определить, продвигается ли он к цели, застрял или отклонился от неё.
- Люди: определите, что Watchdog может исправлять самостоятельно. Утверждайте его изменения промптов и правил срабатывания, а также разбирайте причины сбоев.
С первого дня не помещайте учётные данные production-среды напрямую в контекст модели и предоставляйте только минимально необходимые права. Асинхронные вызовы инструментов и разделение вычислительных ресурсов можно отложить до тех пор, пока первые три шага не заработают стабильно и вы действительно не столкнётесь с блокировками или отключением устройств.
Выбор моделей для суперагента DeepSeek и оценка затрат
В таблице ниже приведены модели и цены APIYI · apiyi.com по состоянию на 2 ноября 2026 года. Цены указаны в долларах за 1 млн токенов. Актуальные модели и цены смотрите в списке платформы, а фактические списания — в консоли.
| Модель | Вход | Выход | Чтение из кэша |
|---|---|---|---|
| deepseek-v4.1-flash | 0.3 | 1.2 | 0.006 |
| deepseek-v4-flash | 0.44 | 1.32 | 0.01408 |
| deepseek-v4-pro | 1.32 | 3.96 | 0.043996 |
| claude-opus-5-5 | 4 | 20 | 0.2 |
Все расчёты ниже основаны на публичных ценах. Это оценки, а не результаты реальных замеров. Предположим, что один вызов расходует 20 тыс. входных и 2 тыс. выходных токенов. Кэш пока не учитываем:
- Вызов
deepseek-v4.1-flashстоит примерно $0.0084,deepseek-v4-pro— $0.0343,claude-opus-5-5— $0.12. - Если Router использует
deepseek-v4.1-flash, а Worker —deepseek-v4-pro, по одному вызову каждого обойдутся примерно в $0.0427. Два вызоваclaude-opus-5-5стоят около $0.24 — примерно в 5,6 раза дороже. - Если выполнять по 20 таких пар вызовов в день, смешанный вариант обойдётся примерно в $0.85, а использование только
claude-opus-5-5— в $4.8. На практике Worker часто делает больше одного вызова, поэтому пересчитайте стоимость по числу токенов в своих логах.
Для систем с длительным временем работы нужно отдельно учитывать чтение из кэша. Если взять 23,2 млн токенов чтения из кэша, как в эксперименте, их стоимость составит примерно $0.14 для deepseek-v4.1-flash, $1.02 для deepseek-v4-pro и $4.64 для claude-opus-5-5. Это лишь приблизительный ориентир: распределение токенов по уровням в эксперименте не раскрывалось, а расходы на вход и выход здесь не учтены.
Модели для Router и Worker лучше задавать в конфигурации. Через APIYI · apiyi.com можно переключаться между ними с одним API-ключом. Параметр base_url для OpenAI-совместимого интерфейса — https://api.apiyi.com/v1. При переключении достаточно изменить имя модели — так удобно сравнивать качество и стоимость на одном и том же наборе задач. Цена — лишь половина дела: при выборе модели Worker по умолчанию стоит учитывать и долю успешно выполненных задач, и объём повторной работы.
На диаграмме приведены оценки по стандартным ценам из списка моделей APIYI · apiyi.com. При планировании бюджета подставьте собственный расход токенов.
Частые вопросы о суперагенте DeepSeek
Q1: Это новая модель?
Нет. В статье обсуждается архитектура системы агентов: как окружающая инфраструктура организует сессии, события, состояние и мониторинг. Новую модель не выпускали.
Q2: Обычный разработчик может сразу это использовать?
Нет, пять модулей нельзя использовать как готовый продукт. Пока можно попробовать исследовательский прототип или собрать собственную систему по описанному принципу. Единственная существующая реализация, прямо упомянутая в оригинале, — механизм асинхронных задач в DeepSeek Harness, причём по умолчанию он отключён.
Q3: dsh-superagent-prototype — официальный продукт?
Нет. В его README указано, что он предназначен только для исследовательских целей. Это не официальный продукт DeepSeek, и его нельзя считать внутренней версией или полноценной реализацией системы, описанной в статье.
Q4: Несколько агентов обойдутся дороже?
В этих экспериментах токенов, прочитанных из кэша, действительно было больше: 23,2 млн у Super-agent против 6,1–10,8 млн у варианта с одной сессией. Зато время выполнения было короче и стабильнее. Итоговая стоимость также зависит от сочетания моделей и масштаба задачи. Контролировать расходы помогут лёгкая модель для Router и включение прямой маршрутизации Thread.
Q5: Как подключиться к этим моделям из Китая?
Можно зарегистрироваться на APIYI · apiyi.com и получить API-ключ. Новым пользователям доступна бесплатная квота для тестирования. Затем замените base_url в клиенте на указанный выше адрес и впишите нужную модель из таблицы в параметры модели. Перечисленные модели DeepSeek и Claude поддерживают эндпоинты chat и messages. Перед запуском рекомендуется проверить подключение на небольшом объёме запросов.
Итоги
Ценность статьи о суперагенте DeepSeek в том, что она применяет классические принципы системной инженерии к агентам. Вот главные выводы:
- Где находится проблема: для выполнения отдельных задач моделям требуется всё меньше участия человека, но при работе с множеством задач узким местом становится его внимание.
- Пять модулей: двухуровневая архитектура, событийно-ориентированный подход, многоканальная полнодуплексная связь, разделение вычислительных ресурсов, состояния и среды и Watchdog обеспечивают четыре свойства: непрерывность, эффективность, инициативность и устойчивость.
- Ограничения данных: результаты обеих серий экспериментов получены авторами на синтетических нагрузках. Их стоит воспринимать только как ориентир при проектировании.
- Порядок внедрения: сначала разделите Router и Worker, затем добавьте фильтрацию Trigger и в конце — Watchdog. На каждом этапе ставьте безопасность на первое место.
Необязательно сразу выбирать окончательное сочетание моделей. С помощью APIYI · apiyi.com можно сначала провести небольшое сравнение на одном и том же наборе задач, а затем определить конфигурацию по доле успешных выполнений и стоимости.
Сначала перестаньте быть «ручным Router», а уже потом думайте о добавлении новых агентов.
Автор: техническая команда APIYI
Технические вопросы: свяжитесь с нами через главную страницу сайта APIYI. Дополнительные материалы доступны в центре документации docs.apiyi.com
