FPPisanti

AI

DeepSeek Super-agent: il prototipo open source che lavora in parallelo

3 nov 2026

Taccuino e caffè vicino alla finestra

DeepSeek ha presentato il Super-agent, un modo diverso di organizzare un agente AI: invece di una sola conversazione che fa tutto, un sistema che resta sempre attivo e lavora su più task insieme. Insieme all'articolo «Exploring Super-agent Design», pubblicato su X il 1° novembre 2026, ha messo su GitHub un prototipo open source.

Questa è la versione lunga del reel di oggi: come funziona, cosa dicono davvero i numeri, quanto costa e come provarlo senza rischi.

Il problema che vuole risolvere

Oggi la maggior parte degli agenti lavora per sessioni: una chat, un task. Se ne lanci diverse in parallelo, sei tu a passare da una all'altra e a ricordarti cosa contiene ciascuna. Secondo DeepSeek, una persona riesce di solito a seguire solo 3-5 sessioni attive alla volta: il limite non è più il modello, è la tua attenzione.

L'idea del Super-agent è che l'agente sia un'unica entità continua, che mantiene il contesto e porta avanti più task complessi senza che si disturbino a vicenda. Le sessioni diventano un dettaglio interno del sistema, non qualcosa che devi gestire tu.

Come funziona: Router e Worker

Il cuore è un'architettura a due livelli:

  • Router. È il livello che parla con te, da qualunque canale. Raccoglie le richieste, tiene la memoria condivisa e smista il lavoro. Non esegue i task: interagisce con le persone e li assegna. Per questo, scrive DeepSeek, spesso basta un modello più leggero.
  • Worker. Sono le sessioni che eseguono. Ognuno ha un contesto isolato, i suoi strumenti ed è dedicato a un solo task, e tanti Worker lavorano in parallelo. Non parlano direttamente con te: riferiscono al Router, che risponde per tutti. Qui servono i modelli più capaci, perché da loro dipende la qualità del codice.

Così puoi aprire una nuova richiesta mentre altre sono in corso, senza aspettare e senza vedere più sessioni che ti rispondono in modo confuso.

Il test: 12,4 minuti contro 20,4

Nel suo test DeepSeek ha confrontato il Super-agent con una sessione singola che può usare dei subagent. Il carico simulava una chat di gruppo più i messaggi della CI di GitHub: circa 300 messaggi per run, di cui una ventina erano richieste di lavoro, il resto chiacchiere, aggiornamenti, annullamenti e notifiche. Ogni configurazione è stata eseguita 5 volte.

  • Super-agent: 12,4 minuti per chiudere un task (mediana) e 15,7 minuti nel 5% dei casi peggiori (p95).
  • Sessione singola con prompt neutro: 20,4 minuti di mediana e 29,5 al p95. In nessuno dei 5 run il modello ha delegato a un subagent: ha fatto tutto da solo, interrotto di continuo dai nuovi messaggi.

Anche con un prompt che spingeva a delegare, la sessione singola è risultata più lenta: in un run il modello ha giudicato il lavoro «piccolo» e l'ha fatto da sé. Il punto di DeepSeek è che il Router, non eseguendo mai il lavoro, risolve questo problema a livello di sistema invece che con il prompt.

Da leggere con prudenza:

  • è un test interno di DeepSeek, con carichi sintetici e ambienti semplificati; gli stessi autori scrivono che i risultati sono solo indicativi;
  • il lavoro di programmazione era simulato da uno strumento che consuma solo tempo: il test misura come il sistema organizza e coordina il lavoro, non quanto bene scrive codice.

Il costo: quasi 4 volte i token

La velocità si paga. Il Super-agent tiene aperte più sessioni indipendenti e, nel test, ha letto 23,2 milioni di token dalla cache per run, contro i 6,1 milioni della sessione singola con prompt neutro: circa 3,8 volte. DeepSeek lo dice chiaramente: scambia token con tempi più brevi e più stabili.

Due precisazioni: sono token letti dalla cache, non tutti i token consumati; e rispetto alla sessione singola con prompt «delega» (10,8 milioni) la differenza è di circa 2 volte. In ogni caso, se paghi le API a consumo, è un dato da tenere d'occhio.

Il prototipo su GitHub

Il codice si chiama dsh-superagent, è open source con licenza MIT ed è pensato come pacchetto per DeepSeek Harness. Secondo il README è un agente di codice proattivo per un repository GitHub: ascolta GitHub (e, se vuoi, Feishu) e, quando una persona autorizzata gli chiede un lavoro, apre un ticket, ci lavora nella sua sessione e nella sua cartella e risponde nella conversazione originale, per esempio con una pull request. Un pannello web mostra cosa richiede l'intervento di una persona.

Come provarlo

L'installazione ha molti passaggi, quindi il README suggerisce di farla fare al tuo agente di codice. Basta chiedergli:

Read SETUP.md in this repository and set up dsh-superagent with me.

L'agente fa una domanda breve alla volta, ti mostra il piano completo una volta sola e poi installa e configura tutto seguendo SETUP.md.

Attenzione: è un prototipo di ricerca

Il README lo scrive in grassetto in apertura: è un prototipo di ricerca a solo scopo di riferimento, non un prodotto ufficiale DeepSeek. È nato dal lavoro quotidiano del team, in gran parte scritto da agenti di codice, può contenere bug e non è pronto per la produzione: va rivisto e adattato prima di usarlo nel proprio ambiente.

Inoltre non coincide con la versione interna né con tutto quello che descrive l'articolo: alcune idee sono direzioni future e nel prototipo non ci sono. Lo stesso articolo precisa che parla di architettura, non di funzioni già presenti in DeepSeek Harness.

Il mio consiglio pratico

Se vuoi provarlo, fallo su un repository di prova, non sul tuo progetto principale o su quello di un cliente. Dai accesso solo a quel repo, controlla ogni pull request prima di unirla e guarda quanti token consuma in qualche giorno di uso. Così capisci se il guadagno di tempo vale il costo, senza rischiare il codice che conta.

In breve

  • Il Super-agent di DeepSeek divide il lavoro tra un Router che parla con te e tanti Worker isolati in parallelo.
  • Nel test interno chiude un task in 12,4 minuti contro 20,4 (mediana), ma con carichi sintetici: numeri indicativi.
  • Usa circa 3,8 volte i token letti dalla cache (23,2M contro 6,1M).
  • Il prototipo è open source (MIT): si installa chiedendo al tuo agente di leggere SETUP.md.
  • È codice di ricerca, non un prodotto ufficiale: provalo su un repo di test.

Fonti

Ogni giorno racconto l'intelligenza artificiale utile per chi lavora, senza giri di parole. Seguimi su Instagram @fpisanti_, su X @Pisantifra e su TikTok @pisantifrancesco.