DeepSeek zette op 31 oktober de code online van een AI-agent die niet wacht tot je hem iets vraagt. Het prototype leest mee op GitHub en pikt zelf werk op, zodra iemand die het mag erom vraagt of een regel van je team het toelaat. Na één korte bevestiging hoor je pas weer van hem als er een resultaat is, meestal een pull request, of als hij een beslissing van je nodig heeft. Het interessantste zit niet in de code maar in het werkprincipe bovenaan de documentatie: zo weinig mogelijk menselijke aandacht vragen en er zoveel mogelijk waarde voor teruggeven.
Daarmee legt DeepSeek de vinger op wat vandaag het werk met AI-agents vertraagt. Dat is niet het model, maar de mens die alles moet opvolgen.
Wat DeepSeek precies vrijgaf
De repository dsh-superagent-prototype staat sinds 31 oktober op GitHub, onder de MIT-licentie. Het is een proactieve programmeer-agent voor één GitHub-repository, verpakt als bundel voor DeepSeek Harness, de open agent-omgeving die DeepSeek in augustus uitbracht.
DeepSeek noemt het zelf een onderzoeksprototype en geen officieel product. Een groot deel van de code werd door coding agents geschreven. De publieke versie wijkt af van wat DeepSeek intern draait, en van het lange ontwerpessay dat het DeepSeek Harness-team dezelfde dag op WeChat publiceerde. Volgens dat essay draaien interne versies al continu: ze reproduceren en herstellen bugs, reageren op codereview en bouwen mee aan DeepSeek Harness zelf.
Bloomberg brengt het als DeepSeeks poging om Claude Code van Anthropic uit te dagen. Dat klopt voor de markt, maar het mist wat dit prototype anders maakt.
Waarom je aandacht het eigenlijke onderwerp is
Volgens het DeepSeek-team kan een mens doorgaans maar drie tot vijf actieve sessies tegelijk opvolgen, zo bericht IT之家 over het essay. Hoe goed één taak lukt, hangt af van het model. Hoeveel taken tegelijk vooruitgaan, hangt af van jouw aandacht. Wie al met drie agents in drie vensters werkt, kent het gevoel: je programmeert niet meer, je regelt het verkeer.
De Super-agent haalt die sessies bij de mens weg. Een router praat met de mensen, onthoudt de context over taken heen en verdeelt het werk. Workers krijgen elk één taak en sturen je geen chatberichten: ze melden hun stand aan de router. Op GitHub openen ze wel zelf de pull request en antwoorden ze op review-opmerkingen.
Het principe staat letterlijk in de README: “take as little human attention as possible, and give as much value as possible.” Het filosofiedocument vertaalt dat naar gedragsregels:
- De agent werkt alleen op een rechtstreeks verzoek van iemand die het mag, of als een geschreven teamregel het toelaat.
- Hij bevestigt een verzoek één keer en zegt wat hij gaat doen. Daarna zwijgt hij tot er een resultaat is, een beslissing nodig is of hij vastloopt.
- Hij stelt één concrete vraag tegelijk, in plaats van een vraag te verstoppen in een lang verslag.
- Hij stopt op impact, niet op moeite. Een kleine wijziging gaat tot een resultaat dat je kan nakijken. Een wijziging die een ontwerpkeuze vraagt, stopt met een duidelijke vraag.
- Een kladversie heet een kladversie, een mislukking een mislukking.
Dezelfde lat geldt voor het ontwerp zelf. Elk bericht, elke melding, elke instelling en zelfs elke alinea documentatie moet meer opleveren dan de aandacht die ze kost, anders gaat ze eruit. Het webpaneel toont eerst wat op een mens wacht. Wat goed loopt, neemt er geen extra plaats in.
Zo loopt een verzoek van bericht tot pull request
- Een bron levert een bericht. Dat is GitHub (issues, pull requests, opmerkingen en de CI van de hoofdtak) en optioneel Feishu, de zakelijke chatapp van ByteDance.
- Een poort en een beoordeling. Code beslist eerst of het bericht mag meetellen: staat de afzender op de lijst, spreekt hij de agent aan, of laat de toelatingstabel van dat gesprek het toe? Bots kunnen nooit zelf een verzoek doen. Alleen bots die je team op een lijst zet, kunnen hooguit een kandidaat voor proactief werk opleveren. Wat overblijft, beoordeelt een model.
- Een werkitem met een machtiging. Wordt het verzoek aanvaard, dan ontstaat een Ticket met een vaste Mandate: wie vroeg het, onder welke regels en hoe ver het werk mag gaan. Wil iemand meer, dan wordt dat een nieuw werkitem.
- Een eigen worker in een eigen map. Elk werkitem krijgt een eigen sessie en meestal een eigen git worktree. Standaard zijn er drie plaatsen voor workers, plus één extra plaats zodat een vervolgbericht van een mens nooit moet wachten.
- Het antwoord komt terug in hetzelfde gesprek. Als opmerking of als pull request, en elk GitHub-bericht begint standaard met de zin dat het van een geautomatiseerde agent komt en niet van een mens. Wie later op die pull request reageert, komt rechtstreeks bij dezelfde worker terecht. Mergen doe je standaard zelf. De agent zet automatisch mergen nooit aan met zijn eigen account. Dat kan alleen als je team in de leveringsregels een ander account voor mergen opgeeft, en dan nog enkel voor kleine, goedgekeurde wijzigingen.
Zelf beginnen, maar eerst op proef
De berichten over een agent die werkt zonder dat iemand hem roept, kloppen, met een belangrijke kanttekening. Werk waar niemand om vroeg, kan alleen als je team er een regel voor schreef. De autorisatiedocumentatie kent drie standen:
- off: de agent doet alleen wat iemand hem expliciet vraagt.
- observe, de standaard: de agent beoordeelt berichten die bij een regel passen en noteert dat hij het werk zou oppakken, maar doet het niet.
- auto: een positieve beoordeling start het werk echt.
Een regel kan heel concreet zijn. DeepSeek gebruikte intern de regel om gemelde bugs stil te reproduceren en te herstellen, en pas iets te zeggen als het probleem bevestigd is en er een eenvoudige oplossing klaarligt. Volgens het essay opende de agent zo al een pull request voor een opmaakfout terwijl de leden van een groepschat er nog over discussieerden.
Wie de agent inzet, draagt de verantwoordelijkheid voor wat hij zegt, want hij post onder accounts die je team elke dag ziet. Het advies van DeepSeek: begin met een korte lijst van mensen en laat proactief werk eerst alleen noteren. Maakt de agent lawaai, maak zijn instructies dan korter en strenger in plaats van meer berichten toe te voegen. En gebruik hem niet om volume te maken: massa’s pull requests kosten je team meer dan ze opleveren.
Wat DeepSeek zelf mat
In het essay staat een eerste vergelijking, in een synthetische test met ongeveer 300 berichten waarvan zo’n 20 werkverzoeken, vijf runs per opstelling. De tijden waren op een kwart geschaald en het programmeerwerk werd gesimuleerd. De test meet dus de coördinatie, niet de kwaliteit van de code.
Per taak duurde het bij de Super-agent mediaan 12,4 minuten van verzoek tot resultaat. Eén sessie die subagents mag starten, had 20,4 minuten nodig met een neutrale prompt, waarbij het model nooit delegeerde, en 13,8 minuten met een prompt die delegeren aanmoedigt. Het grootste verschil zit in de trage uitschieters: 15,7 minuten tegenover 29,5 en 29,0 minuten. Dat melden AgentsPulse en, voor de kerncijfers, ook ChinaModelAPI.
Daar staat een prijs tegenover. De Super-agent las 23,2 miljoen tokens uit de cache per run. Dat is ruim twee keer zoveel als één sessie die actief delegeert, en bijna vier keer zoveel als één die dat niet doet. Wie de directe doorgifte naar de worker uitschakelt, verbruikt nog eens 37 procent meer. DeepSeek noemt de resultaten zelf voorlopig, en het gaat om eigen metingen.
Of dat loont, is een rekensom die je zelf maakt: wat kost een uur van je ontwikkelaars, en wat kost je tokenfactuur?
Wat er nog niet in zit
Het essay beschrijft meer dan de code bevat. Een waakhond die controleert of elke worker echt vooruitgaat, zit niet in de open versie. Ook het idee om de agent en zijn status in de cloud te laten draaien terwijl de commando’s op je eigen machine lopen, staat er nog niet in. Ze zijn een richting voor later.
Chinese commentatoren wijzen op een zwakke plek: het essay zegt weinig over hoe vaak de filter zich vergist, en een worker heeft wel een machtiging maar geen budget of toezicht. Een reeks slechte pull requests zou net de aandacht opslorpen die het systeem wil sparen. Dezelfde vraag speelt bij elke AI die code nakijkt of schrijft, zoals bij Trails van Entire, en ze sluit aan bij wat we eerder zagen: AI maakt developers sneller, maar de winst verdwijnt vaak in review.
Wie er nu al iets mee kan
Voorlopig vooral wie zelf een repository en een Node-omgeving beheert. De installatiegids vraagt onder meer:
- Node.js 22.19 of 24 en hoger, pnpm, git, Python, tmux en de GitHub-commandolijn;
- een eigen DeepSeek Harness-profiel met een ingestelde modelprovider;
- een gewoon GitHub-gebruikersaccount voor de agent, met schrijfrechten op de repository;
- een repository op github.com, want GitHub Enterprise Server werkt niet.
De installatie zelf laat je over aan je eigen coding agent, die het bestand SETUP.md volgt en één vraag tegelijk stelt.
Let op met de rechten. De workers voeren commando’s uit zonder te vragen, met de volle rechten van de gebruiker op wiens computer ze draaien. Ze kunnen ook je persoonlijke map lezen. Wie het test, gebruikt best een apart account of een aparte machine waarop alleen de gegevens van de agent staan.
En kijk naar je model. DeepSeek Harness werkt standaard met DeepSeek, maar ook met Anthropic, OpenAI of een lokaal model. Je code, je issues en de namen in die discussies gaan naar de provider die je kiest. Bij de API van DeepSeek betekent dat verwerking in China, wat we eerder bij DeepSeek V4.1-Flash uitlegden. De Gegevensbeschermingsautoriteit opende in januari 2025 een onderzoek naar DeepSeek na een klacht van Testaankoop.
Veelgestelde vragen
Is dsh-superagent gratis?
De code is gratis en open onder de MIT-licentie. Je betaalt wel voor het model dat je eraan koppelt, en volgens DeepSeeks eigen test verbruikt deze aanpak meer tokens dan één sessie.
Werkt het met Claude of GPT?
Ja. De agent gebruikt het standaardmodel van je DeepSeek Harness-profiel, en daar kan je ook Anthropic, OpenAI of een lokaal model instellen.
Kan ik het gebruiken met GitLab of Slack?
Niet zonder eigen werk. De open versie kent alleen github.com en Feishu. Een kookboek in de documentatie legt uit hoe je zelf een nieuwe bron toevoegt.
Merget de agent zelf code?
Standaard niet. Hij opent een pull request en jij beslist. Automatisch mergen kan pas als je team in de leveringsregels een apart account daarvoor opgeeft. Dat is een instructie aan de agent en geen technische blokkade, dus wie zekerheid wil, zet branch protection aan op GitHub.
Een goede collega herken je aan wat hij niet zegt
Tot nu toe vergeleken we AI-agents op wat ze kunnen: hoeveel taken, welke benchmark, hoeveel parallel. DeepSeek stelt een andere vraag: hoe vaak stoort hij je per afgewerkte taak? Die vraag kan je vandaag al stellen, ook bij Claude Duet, Copilot of je eigen agents. Tel een week lang de meldingen, vragen en reviews die een agent je kost, en zet ze naast wat hij afleverde. Een agent die veel doet maar je constant onderbreekt, is geen collega. Hij is een nieuw tabblad.
