DeepSeek lança protótipo do Super-agent para executar tarefas de programação em paralelo

Um agente de programação criado para gerenciar vários trabalhos ao mesmo tempo

A equipe Harness da DeepSeek publicou o projeto do Super-agent em 31 de outubro de 2026, junto com um protótipo de pesquisa sob licença MIT que transforma solicitações para um repositório do GitHub em sessões de programação separadas. A proposta é permitir que vários trabalhos avancem ao mesmo tempo, enquanto os desenvolvedores gastam menos tempo alternando entre conversas e verificando o progresso.

O experimento preliminar da equipe usou cerca de 300 mensagens simuladas, contendo aproximadamente 20 solicitações de trabalho. O Super-agent concluiu metade das tarefas em 12,4 minutos e 95% delas em 15,7 minutos. Um sistema de comparação, que usava uma sessão principal com acesso a um agente auxiliar, levou 29,5 minutos para atingir a marca de 95% com instruções neutras.

O repositório público do protótipo da DeepSeek, chamado dsh-superagent-prototype, apresenta um lançamento mais restrito e prático: um agente de programação proativo para um único repositório do GitHub, distribuído como um pacote para o DeepSeek Harness. Ele monitora o GitHub e, opcionalmente, o Feishu, abre uma tarefa quando uma pessoa autorizada solicita um trabalho e responde na conversa original, possivelmente com uma pull request propondo alterações no código.

O README também traz um alerta direto. O código publicado difere do sistema interno e de partes do ensaio de concepção. Alguns recursos propostos ainda estão nos planos, e a DeepSeek descreve o lançamento como código de pesquisa, não como um produto finalizado.

A equipe do DeepSeek Harness, responsável pela manutenção do protótipo, informa seu status no README:

Protótipo de pesquisa apenas para referência, não é um produto oficial da DeepSeek.

Para os desenvolvedores, o lançamento oferece código que pode ser analisado e adaptado. O experimento central trata de como um agente organiza o trabalho, mantém na memória conversas relacionadas e decide quando uma pessoa precisa intervir.

Por que a DeepSeek quer ocultar o gerenciamento de sessões

O projeto da DeepSeek parte de uma observação feita em seu próprio trabalho: em geral, uma pessoa consegue acompanhar apenas de três a cinco sessões ativas de agentes ao mesmo tempo. Cada sessão mantém seu próprio histórico de conversas, então o desenvolvedor precisa lembrar qual tarefa está em cada uma e quais instruções cada agente recebeu.

Um harness é o software que envolve um modelo de IA e gerencia ferramentas, arquivos, conversas e execução. O modelo raciocina sobre uma tarefa; o harness determina como ela chega até ele e como suas ações são executadas. O Super-agent transfere mais responsabilidade pela coordenação de vários trabalhos para esse software ao redor do modelo.

A equipe define quatro objetivos: continuidade entre conversas, execução paralela eficiente, respostas proativas a eventos e operação contínua com recuperação de falhas. Um exemplo envolve desenvolvedores que escolhem um plano em um chat e depois o alteram em um comentário no GitHub. O sistema deve conectar essas interações e ajustar a mesma tarefa.

O lançamento vem após o experimento da DeepSeek, em 3 de outubro, com a compatibilidade com extensões do Claude Code no Harness v0.2.1-alpha.1. A atualização testou uma ponte para extensões; o Super-agent explora como o próprio harness pode coordenar trabalhos em andamento. Yujia Qiao é creditado pela implementação do sistema e pela redação do ensaio de concepção, que lista outras 15 pessoas como participantes da revisão e das discussões.

Um Router coordena; vários Workers executam

O Super-agent divide as responsabilidades entre um Router residente e Workers separados. O Router recebe as interações humanas, mantém informações compartilhadas entre tarefas e distribui o trabalho. Ele não assume a programação, mantendo a função de coordenação disponível enquanto outras sessões estão ocupadas.

Os Workers cuidam dos trabalhos individuais. Cada um tem seu próprio contexto de conversa e ferramentas de execução, permitindo que uma investigação de bug, uma resposta a uma revisão de código e uma alteração de funcionalidade avancem simultaneamente. Os Workers enviam os resultados ao Router, que se comunica com as pessoas em vez de permitir que várias sessões respondam por conta própria.

A DeepSeek sugere que um modelo mais leve muitas vezes pode cuidar do encaminhamento, enquanto modelos mais potentes executam o trabalho que determina a qualidade do código. Um Worker também pode criar agentes auxiliares para uma tarefa complexa. O Router gerencia as relações entre os trabalhos, em vez de planejar cada etapa de cada um.

O protótipo cria uma sessão e um diretório para cada tarefa, iniciando-as simultaneamente até um limite configurado. Assim, os operadores controlam quanto trabalho começa ao mesmo tempo. Históricos de conversa separados reduzem a chance de detalhes de uma tarefa ocuparem o espaço de outra, enquanto o Router mantém uma visão compartilhada.

Como as mensagens se tornam tarefas sem interrupções constantes

Mensagens de chat, comentários de revisão de código e resultados de testes automatizados se tornam eventos capazes de acionar ações. O projeto mais amplo também considera e-mails e lembretes de calendário. Integração contínua, ou CI, refere-se a verificações automatizadas que compilam ou testam o código após uma alteração e produzem resultados aos quais um agente pode responder.

A DeepSeek filtra esses eventos em duas etapas. Primeiro, regras comuns do programa verificam aspectos como origem, grupo e usuários autorizados. Em seguida, um modelo avalia os candidatos restantes com base no contexto e em políticas escritas. Isso evita chamadas ao modelo para mensagens rotineiras que não exigem nenhuma ação.

Eventos relacionados formam uma Thread, como os comentários de uma pull request ou de um tópico de chat. Quando um Worker assume a tarefa, ele se inscreve nessa Thread. Comentários e resultados de testes posteriores podem ser encaminhados diretamente a ele, sem pedir ao Router que os atribua novamente.

As inscrições podem se sobrepor. Vários Workers que trabalham na mesma pull request podem receber as mesmas atualizações e, assim, perceber mudanças que afetam suas tarefas. Um Worker também pode acompanhar várias Threads relacionadas ou devolver um evento ao Router quando ele estiver fora do escopo de sua tarefa.

Agir cedo, mas falar apenas quando for útil

A DeepSeek afirma que um Super-agent interno já funciona continuamente, reproduzindo e corrigindo problemas, respondendo a revisões de código e ajudando a desenvolver o próprio Harness. Uma regra escrita permite que ele investigue bugs mencionados em um chat em grupo mesmo quando ninguém marca diretamente o agente.

A regra prevê primeiro uma investigação silenciosa. O agente tenta reproduzir o problema relatado e encontrar uma correção simples, então apresenta um resultado útil. Em um exemplo, desenvolvedores discutiam um problema em que tils apareciam como formatação tachada, enquanto o agente já havia aberto uma pull request com uma proposta de correção.

A equipe do Harness descreve o princípio operacional no README:

exigir o mínimo possível da atenção humana e oferecer o máximo de valor possível.

O protótipo age quando uma pessoa autorizada solicita algo ou quando uma regra escrita pela equipe permite. Seu painel web lista as tarefas que precisam de atenção humana. Assim, a interface se concentra em decisões e resultados utilizáveis, em vez de exibir cada chamada de ferramenta ou pensamento intermediário.

Manter o contexto antigo e as instruções novas disponíveis

O projeto da DeepSeek trata a janela de contexto de um modelo, a quantidade limitada de informação que ele consegue considerar de uma só vez, como um cache. O material necessário com frequência fica à mão; históricos mais longos ou menos relevantes permanecem fora da janela até serem solicitados.

O ensaio chama essas operações de Inline e Spill. Inline insere diretamente no contexto atual detalhes úteis, como mensagens próximas no chat, identificadores ou uma breve prévia. Spill mantém o conteúdo mais extenso em outro lugar, com uma referência que o modelo pode seguir para consultar mais informações.

O Chain of Recall conecta essas referências. Eventos, Threads e sessões de Workers recebem identificadores exclusivos, permitindo que o agente passe de uma mensagem atual para a discussão relacionada, depois para um Worker associado e outra revisão de código. O objetivo é recuperar uma tarefa antiga em diferentes canais sem carregar repetidamente todo o seu histórico.

A DeepSeek também aborda um problema mais imediato de interrupção: um comando longo pode impedir um agente convencional de responder. Seu mecanismo assíncrono inicia o trabalho em segundo plano e envia o resultado de volta como um novo evento. Os usuários podem continuar dando instruções, inclusive pedir ao agente que mude de direção ou pare.

A equipe afirma que esse mecanismo está implementado no DeepSeek Harness, mas não vem ativado por padrão. As regras de comunicação também variam conforme o canal: o projeto limita a 100 palavras uma resposta única em mensagens instantâneas, enquanto pull requests e documentos recebem explicações mais estruturadas sobre alterações e verificações.

Coordenação na nuvem com trabalho no computador local

A DeepSeek separa o processamento que executa o agente, o histórico de sessões armazenado e a máquina onde os comandos são executados. O ciclo de execução proposto para o agente funciona em contêineres na nuvem, o estado das sessões fica em um banco de dados e um serviço local leve executa comandos e devolve resultados.

Essa configuração viabiliza o Bring Your Own Machine, ou BYOM. Um desenvolvedor pode conectar um computador existente que contenha o repositório, as ferramentas e as alterações ainda não finalizadas, em vez de transferir tudo para um novo ambiente remoto. A coordenação na nuvem pode continuar disponível quando esse computador se desconectar, enquanto as tarefas que dependem dele aguardam o dispositivo voltar.

Uma sessão independente de Watchdog verifica falhas e trabalhos parados. Sua função vai além de detectar mensagens de erro: ela usa o julgamento do modelo para avaliar se os Workers estão avançando de fato ou se desviando do objetivo, e tenta recuperar o andamento quando necessário.

A DeepSeek apresenta esses elementos como partes de uma exploração mais ampla de arquitetura. O README alerta que o pacote público e a implementação interna são diferentes; por isso, os desenvolvedores devem conferir o código lançado antes de contar com um recurso específico do projeto.

O que o experimento mediu

A DeepSeek repetiu cada configuração experimental cinco vezes, comparando o Super-agent com uma versão sem entrega direta de eventos e duas configurações de uma única sessão equipada com um agente auxiliar. A carga de trabalho usou mensagens sintéticas e uma ferramenta que simulava tarefas longas de programação. Os intervalos entre mensagens e a duração dos trabalhos foram reduzidos para um quarto.

A mediana de 12,4 minutos significa que metade das tarefas foi concluída até esse momento. O percentil 95 de 15,7 minutos significa que 95% foram concluídas dentro desse prazo. Em comparação com o percentil 95 de 29,5 minutos da sessão única com instruções neutras, o Super-agent reduziu essa medida em 13,8 minutos, ou cerca de 47%.

O comportamento de delegação ajuda a explicar o resultado. Com instruções neutras, a sessão única nunca chamou seu agente auxiliar em nenhuma das cinco execuções. Quando recebeu a orientação de priorizar a delegação, delegou em quatro execuções e fez o trabalho por conta própria na quinta. O Super-agent torna a separação entre coordenação e execução uma escolha estrutural.

Os testes avaliaram o agendamento e a coordenação com execução simulada. A qualidade real da programação, medições independentes de desempenho e o número de usuários ativos não foram informados, e a equipe classifica suas medições como preliminares. A DeepSeek não divulgou uma data para o lançamento de produção.

Coordenação mais rápida usa mais tokens em cache

A concorrência do Super-agent veio acompanhada de maior uso de tokens de entrada em cache. Ele leu 23,23 milhões de tokens em cache, contra 6,05 milhões e 10,82 milhões nas duas configurações de sessão única. Tokens são as pequenas unidades de texto processadas por um modelo; leituras em cache reutilizam entradas mantidas de solicitações anteriores.

Remover a entrega direta de eventos elevou as leituras em cache de 23,23 milhões para 31,77 milhões, um aumento de cerca de 37%, e ampliou em aproximadamente 30% as decisões do Router. Portanto, encaminhar diretamente as mensagens subsequentes ao Worker designado reduziu o trabalho de coordenação dentro do projeto paralelo.

O processamento em lotes ajudou o Router a lidar com um tráfego mais intenso. À medida que a chegada de eventos aumentou de cerca de um para 40 acionamentos por minuto, o tamanho médio dos lotes passou de 1,0 para 2,8 e a duração das solicitações subiu de 2,5 para 3,9 segundos. O tempo de inferência informado para cada decisão do Router caiu de 6,4 para 1,6 segundo.

Na prática, há uma troca entre reduzir a espera das pessoas e ampliar o processamento do modelo em várias sessões separadas. Os números de tokens não informam o custo em dinheiro; equipes que considerem a implantação precisariam levar em conta os preços dos modelos, as configurações de concorrência e a carga de trabalho real.

Permissões locais tornam a segurança uma preocupação central

A documentação de execução do protótipo informa que os comandos dos Workers são executados sem aprovação, usando a conta do sistema operacional do operador. Comandos de shell em primeiro plano passam a ser executados em segundo plano após cinco segundos, e as tarefas em segundo plano podem durar até 30 minutos por turno. Essas configurações tornam as permissões da conta do operador uma questão concreta na implantação.

Uma máquina conectada pode armazenar credenciais, código privado e arquivos confidenciais. A injeção de prompt, em que um conteúdo malicioso tenta redirecionar um agente por meio do material que ele lê, se torna especialmente preocupante quando mensagens recebidas ou conteúdo de repositórios podem influenciar comandos nessa máquina.

A DeepSeek identifica segurança e privacidade, escalabilidade do Router, memória de longo prazo e comunicação entre instâncias de agentes como áreas ainda inacabadas. O README pede que os usuários revisem e adaptem o código, e alerta que podem persistir bugs e práticas de engenharia inconsistentes. Grande parte do trabalho de engenharia também foi realizada por agentes de programação.

O lançamento chamou atenção rapidamente, inclusive com uma publicação de Leandro von Werra, chefe de pesquisa da Hugging Face. A sequência mostra a rapidez com que o protótipo se espalhou:

• 31 de outubro de 2026, às 09:32 UTC: o repositório do GitHub foi criado.
• 31 de outubro: a equipe do Harness publicou o ensaio de concepção; às 22:10 UTC, o repositório tinha 2.046 estrelas e 172 forks.
• 1º de novembro, às 04:20 UTC: o repositório chegou a 3.433 estrelas.

Para equipes de engenharia, a decisão imediata é se devem analisar e adaptar um sistema experimental de coordenação. O apelo está na possibilidade de lidar com mais trabalhos com menos interrupções; as exigências operacionais incluem revisar o código, definir permissões e decidir quais ações precisam de uma pessoa.

Principais pontos

• A DeepSeek lançou um protótipo de pesquisa sob licença MIT para trabalhos de programação em um único repositório do GitHub, com integração opcional ao Feishu.
• Um Router cuida da coordenação, enquanto Workers separados executam tarefas simultaneamente.
• O sistema interno pode investigar bugs relatados com base em regras escritas, sem ser marcado diretamente.
• Testes sintéticos registraram tempo mediano de conclusão de 12,4 minutos e percentil 95 de 15,7 minutos, com maior uso de tokens em cache do que nas alternativas de sessão única.
• Os Workers executam comandos na conta do operador sem aprovação, o que torna permissões e credenciais preocupações centrais.
• O código público difere do sistema interno e continua sendo um protótipo de pesquisa, não um produto oficial da DeepSeek.