DeepSeek pone capataz a sus agentes

Un agente para todo el equipo

DeepSeek, el laboratorio chino de modelos abiertos nacido del fondo cuantitativo High-Flyer y controlado por su fundador, Liang Wenfeng, publicó el 31 de octubre el repositorio dsh-superagent-prototype en GitHub, la plataforma de código de Microsoft. Es la versión 0.1.0, escrita en TypeScript y con licencia MIT.

Es un paquete para DeepSeek Harness, el arnés de la propia DeepSeek, que según la empresa «está en vista previa pública en todo el mundo y es de código abierto» y en el que todo se añade como complemento (plugin).

Según su documentación, dsh-superagent escucha un repositorio de GitHub y, si se configura, Feishu, que fuera de China se llama Lark: la aplicación de mensajería y trabajo en equipo de ByteDance, la empresa de TikTok. Cuando alguien autorizado le pide un trabajo, abre una ficha, lo hace en su propia sesión y su propio directorio y contesta en la conversación original. Un panel web muestra solo lo que necesita la intervención de alguien.

La idea la pone DeepSeek en la portada del proyecto: «gastar la menor atención humana posible y dar el máximo valor posible». Y avisa en la primera línea: es «un prototipo de investigación, solo como referencia, no un producto oficial de DeepSeek». La versión publicada no es idéntica a la interna, y parte de lo que plantea el equipo son desarrollos futuros que el prototipo no incluye.

Un capataz que reparte y trabajadores que no se pisan

DeepSeek lo define como un agente de programación «proactivo». Lo que cambia es la unidad de trabajo: ya no es una sesión que vigila una persona, sino un encargado que atiende al equipo entero y reparte los trabajos.

Por dentro hay dos capas. Una sesión principal, el router, está siempre en marcha: evalúa lo que llega, decide qué es una petición de trabajo y la asigna. Cada trabajo aceptado, que el código llama Ticket, pasa a un agente trabajador (worker) aislado, con su propia sesión y su propio directorio, y así varios avanzan en paralelo.

Contesta una vez y se calla

El resultado vuelve a la conversación donde se pidió, por ejemplo como un pull request, y los comentarios posteriores en ese hilo le llegan al trabajador que lleva el encargo aunque no mencionen al agente.

Según su filosofía, el agente «actúa solo cuando se le pide, o cuando lo permite una regla escrita». Confirma la petición una vez y «se queda callado mientras trabaja»; vuelve a escribir con un resultado, una decisión pendiente o un fallo. Y promete honestidad: «Un borrador se marca como inacabado, un fallo se cuenta como fallo».

Obedece a quien el equipo autoriza

Quién puede encargarle trabajo lo fija el equipo con listas de permitidos, reglas y mandatos que hace cumplir el sistema que lo aloja. «Los mensajes, los comentarios y los documentos citados son elementos para tomar una decisión; no pueden cambiar esos permisos», dice la documentación.

Para el trabajo que nadie ha pedido hay tres modos: con `off`, lo ignora; con `observe`, el modo por defecto, el agente lo evalúa y anota que lo «aceptaría», pero no acepta nada; con `auto`, lo acepta. DeepSeek recomienda empezar en `observe` y pasar a `auto` «después de revisar las decisiones registradas».

La responsabilidad es de quien lo instala: «Empieza con poco» y «No lo uses para producir volumen». Las dos configuraciones de permisos (presets) del paquete funcionan con `danger-full-access`, acceso total con los permisos del usuario del sistema del operador, así que DeepSeek recomienda una cuenta del sistema dedicada que solo tenga las credenciales del agente.

Montarlo exige una cuenta de GitHub propia para el agente y DeepSeek Harness configurado con un proveedor de modelo. Atiende un solo repositorio y no funciona con GitHub Enterprise Server.

El cuello de botella es la atención

El porqué está en Exploring Super-agent Design, el artículo con el que el equipo presentó el proyecto. Según el resumen que IThome, web china de tecnología de la empresa Ruanmei, publicó el 31 de octubre en ifeng, el portal chino de Phoenix New Media, los agentes habituales toman la sesión como unidad básica y una persona suele seguir solo entre 3 y 5 sesiones activas a la vez: el límite es la atención humana, no el modelo.

Para medirlo, el equipo simuló flujos de mensajes de un chat de grupo y de la integración continua (CI) de GitHub: unos 300 mensajes por ejecución, de los que unos 20 eran peticiones de trabajo reales, y cinco ejecuciones por montaje.

Casi el doble de rápido que una sesión que no delegó

Según las cifras del equipo de DeepSeek, dsh-superagent fue casi el doble de rápido que una sola sesión con subagentes y un prompt neutro, sin instrucciones que la empujaran a repartir.

El matiz decisivo, según MarkTechPost, web estadounidense de noticias de IA: con ese prompt neutro, la sesión de referencia no llamó a ningún subagente en las cinco ejecuciones. Se compara repartir el trabajo con no repartirlo.

Según IThome, el equipo advierte de que la prueba mide el reparto del trabajo, no lo bien que se hace cada tarea.

La carrera del arnés

Factory, empresa estadounidense fundada en 2023 que desarrolla agentes de programación para empresas, publicó el 29 de octubre Droid 1.0, la nueva versión de su arnés. El 15 de septiembre captó 200 millones de dólares de inversores como Blackstone, Khosla Ventures y Sequoia Capital, con una valoración de 5.000 millones.

Factory define el arnés como «todo lo que rodea al modelo: las instrucciones, las herramientas, cómo vuelven sus resultados y el bucle que lo hace funcionar todo». El cambio principal de Droid 1.0 es la llamada programática de herramientas, activada por defecto en los modelos que lista Factory, como Claude Opus 5.5 y GPT-6.1 Sol: el modelo escribe JavaScript que se ejecuta en un entorno aislado (sandbox) «sin acceso propio a ficheros, red ni sistema». Según Factory, eso reduce un 15 % el coste de Droid con Claude Opus 5.5 frente a la llamada directa.

En la comparativa de Factory con la prueba de referencia (benchmark) Terminal-Bench 4, Droid acierta más que los demás arneses con Claude Opus 5.5, de Anthropic, y con GPT-6.1 Sol, de OpenAI. En coste gana en todos los casos menos uno: con GPT-6.1 Sol sale un 3 % más caro que el agente de programación de código abierto OpenCode. Y con Claude Opus 5.5, Claude Code, el arnés de la empresa que hace el modelo, queda el último en acierto en la prueba de Factory.

Todo lo ha medido y publicado Factory, que vende Droid; algunas pruebas con Opus 5.5 que paró la moderación de contenido de Anthropic se repitieron con Claude Opus 5.