DeepSeek posa un capatàs als seus agents

Un agent per a tot l'equip

DeepSeek, el laboratori xinès de models oberts nascut del fons quantitatiu High-Flyer i controlat pel seu fundador, Liang Wenfeng, va publicar el 31 d'octubre el repositori dsh-superagent-prototype a GitHub, la plataforma de codi de Microsoft. És la versió 0.1.0, escrita en TypeScript i amb llicència MIT.

És un paquet per a DeepSeek Harness, l'arnès de la mateixa DeepSeek, que segons l'empresa «és en vista prèvia pública a tot el món i és de codi obert» i en què tot s'afegeix com a complement (plugin).

Segons la seva documentació, dsh-superagent escolta un repositori de GitHub i, si es configura, Feishu, que fora de la Xina es diu Lark: l'aplicació de missatgeria i treball en equip de ByteDance, l'empresa de TikTok. Quan algú autoritzat li demana una feina, obre una fitxa, la fa en la seva pròpia sessió i el seu propi directori i respon a la conversa original. Un tauler web només mostra el que necessita la intervenció d'algú.

DeepSeek exposa la idea a la portada del projecte: «gastar la mínima atenció humana possible i donar el màxim valor possible». I avisa a la primera línia: és «un prototip de recerca, només com a referència, no un producte oficial de DeepSeek». La versió publicada no és idèntica a la interna, i part del que planteja l'equip són desenvolupaments futurs que el prototip no inclou.

Un capatàs que reparteix i treballadors que no es trepitgen

DeepSeek el defineix com un agent de programació «proactiu». El que canvia és la unitat de treball: ja no és una sessió que vigila una persona, sinó un encarregat que atén tot l'equip i reparteix les feines.

Per dins hi ha dues capes. Una sessió principal, el router, està sempre en marxa: avalua el que arriba, decideix què és una petició de feina i l'assigna. Cada feina acceptada, que el codi anomena Ticket, passa a un agent treballador (worker) aïllat, amb la seva pròpia sessió i el seu propi directori, i així n'avancen diversos en paral·lel.

Respon una vegada i calla

El resultat torna a la conversa on es va demanar, per exemple com un pull request, i els comentaris posteriors en aquell fil arriben al treballador que porta l'encàrrec encara que no mencionin l'agent.

Segons la seva filosofia, l'agent «actua només quan se li demana, o quan ho permet una regla escrita». Confirma la petició una vegada i «es queda callat mentre treballa»; torna a escriure amb un resultat, una decisió pendent o una fallada. I promet honestedat: «Un esborrany es marca com a inacabat, una fallada s'explica com a fallada».

Només fa cas de qui autoritza l'equip

Qui li pot encarregar feina ho fixa l'equip amb llistes de permesos, regles i mandats que fa complir el sistema que l'allotja. «Els missatges, els comentaris i els documents citats són elements per prendre una decisió; no poden canviar aquests permisos», diu la documentació.

Per a la feina que ningú no ha demanat hi ha tres modes: amb `off`, la ignora; amb `observe`, el mode per defecte, l'agent l'avalua i anota que l'«acceptaria», però no accepta res; amb `auto`, l'accepta. DeepSeek recomana començar en `observe` i passar a `auto` «després de revisar les decisions registrades».

La responsabilitat és de qui l'instal·la: «Comença amb poc» i «No el facis servir per produir volum». Les dues configuracions de permisos (presets) del paquet funcionen amb `danger-full-access`, accés total amb els permisos de l'usuari del sistema de l'operador, així que DeepSeek recomana un compte del sistema dedicat que només tingui les credencials de l'agent.

Muntar-lo exigeix un compte de GitHub propi per a l'agent i DeepSeek Harness configurat amb un proveïdor de model. Atén un sol repositori i no funciona amb GitHub Enterprise Server.

El coll d'ampolla és l'atenció

El perquè és a Exploring Super-agent Design, l'article amb què l'equip va presentar el projecte. Segons el resum que IThome, web xinès de tecnologia de l'empresa Ruanmei, va publicar el 31 d'octubre a ifeng, el portal xinès de Phoenix New Media, els agents habituals prenen la sessió com a unitat bàsica i una persona sol seguir només entre 3 i 5 sessions actives alhora: el límit és l'atenció humana, no el model.

Per mesurar-ho, l'equip va simular fluxos de missatges d'un xat de grup i de la integració contínua (CI) de GitHub: uns 300 missatges per execució, dels quals uns 20 eren peticions de feina reals, i cinc execucions per muntatge.

Gairebé el doble de ràpid que una sessió que no va delegar

Segons les xifres de l'equip de DeepSeek, dsh-superagent va ser gairebé el doble de ràpid que una sola sessió amb subagents i un prompt neutre, sense instruccions que l'empenyessin a repartir.

El matís decisiu, segons MarkTechPost, web nord-americà de notícies d'IA: amb aquest prompt neutre, la sessió de referència no va cridar cap subagent a les cinc execucions. Es compara repartir la feina amb no repartir-la.

Segons IThome, l'equip adverteix que la prova mesura el repartiment de la feina, no com de bé es fa cada tasca.

La cursa de l'arnès

Factory, empresa nord-americana fundada el 2023 que desenvolupa agents de programació per a empreses, va publicar el 29 d'octubre Droid 1.0, la nova versió del seu arnès. El 15 de setembre va captar 200 milions de dòlars d'inversors com Blackstone, Khosla Ventures i Sequoia Capital, amb una valoració de 5.000 milions.

Factory defineix l'arnès com «tot el que envolta el model: les instruccions, les eines, com tornen els seus resultats i el bucle que ho fa funcionar tot». El canvi principal de Droid 1.0 és la crida programàtica d'eines, activada per defecte en els models que llista Factory, com Claude Opus 5.5 i GPT-6.1 Sol: el model escriu JavaScript que s'executa en un entorn aïllat (sandbox) «sense accés propi a fitxers, xarxa ni sistema». Segons Factory, això redueix un 15 % el cost de Droid amb Claude Opus 5.5 respecte a la crida directa.

En la comparativa de Factory amb la prova de referència (benchmark) Terminal-Bench 4, Droid encerta més que els altres arnesos amb Claude Opus 5.5, d'Anthropic, i amb GPT-6.1 Sol, d'OpenAI. En cost guanya en tots els casos menys un: amb GPT-6.1 Sol surt un 3 % més car que l'agent de programació de codi obert OpenCode. I amb Claude Opus 5.5, Claude Code, l'arnès de l'empresa que fa el model, queda l'últim en encert a la prova de Factory.

Tot ho ha mesurat i publicat Factory, que ven Droid; algunes proves amb Opus 5.5 que va aturar la moderació de contingut d'Anthropic es van repetir amb Claude Opus 5.