In unseren jüngsten Kundengesprächen über DeepSeek ging es neben Leistung und Preisen immer häufiger um eine neue Frage: Was genau ist DeepSeek Super-agent? Kann es Aufgaben wie ein echter Assistent selbstständig zu Ende bringen?
Super-agent ist kein neues Modell. DeepSeek hat auch keinen „Super-Assistenten“ veröffentlicht, den jeder mit einem Klick nutzen kann. Am 31. Oktober 2026 stellte das DeepSeek-Harness-Team einen Ansatz vor, mit dem KI-Agenten dauerhaft arbeiten und mehrere Aufgaben gleichzeitig erledigen sollen. Dazu veröffentlichte es einen quelloffenen Forschungsprototyp. Das offizielle DeepSeek-Prototyp-Repository weist ausdrücklich darauf hin: Der Code dient der Forschung, ist kein offizielles DeepSeek-Produkt und wird nicht für den direkten Einsatz im Produktivbetrieb empfohlen.
Warum ist das interessant? Es geht weniger darum, wie schwierige Fragen eine KI beantworten kann, sondern um ein ganz alltägliches Problem: Wenn wir einer KI fünf Aufgaben gleichzeitig geben, kann sie diese geordnet erledigen, ohne dass wir ständig nachhaken müssen?
1. Was genau ist DeepSeek Super-agent?
Bisher meist: eine Anfrage, eine Aufgabe
Eine gewöhnliche Chat-KI ähnelt einem Berater auf Abruf: Wir stellen eine Frage und bekommen eine Antwort. Ein KI-Agent geht einen Schritt weiter. Er kann Werkzeuge verwenden, Webseiten durchsuchen, Tabellen aufbereiten und Code bearbeiten, um ein vollständiges Ergebnis zu liefern.
Doch je mehr Aufgaben dazukommen, desto schwieriger wird es.
Wir lassen die KI zum Beispiel in einem Fenster Wettbewerber recherchieren, in einem anderen eine Website auf Fehler prüfen und in einem dritten den Wochenbericht vorbereiten. Bald müssen wir selbst im Blick behalten, wie weit die einzelnen Gespräche sind, welche Aufgabe feststeckt und wo noch Informationen fehlen.
Im Artikel zum Systementwurf schreibt das DeepSeek-Team, dass eine Person nach seiner Beobachtung meist nur 3–5 aktive Gespräche gleichzeitig verfolgen kann. Das ist natürlich keine feste Grenze für alle Menschen. Mehrere Aufgaben im Blick zu behalten, kostet aber Aufmerksamkeit. Genau darin liegt das praktische Problem: KI kann viele Aufgaben parallel beginnen, während unsere Aufmerksamkeit begrenzt ist.
„Ein Koordinator, mehrere Ausführende“: Die KI soll die Arbeit erledigen
Super-agent lässt sich gut als kleines Team verstehen:
- Router, der Aufgabenkoordinator: merkt sich unsere Aufträge, nimmt neue Nachrichten entgegen und verteilt die Arbeit, ohne selbst in der Ausführung einer Aufgabe zu versinken.
- Worker, die Ausführenden: Jeder hat eine eigene Aufgabe und einen eigenen Arbeitsverlauf. Sie können an verschiedenen Dingen gleichzeitig arbeiten und melden das Ergebnis anschließend an den Koordinator.
- Ereignisauslöser: Stellt jemand eine Frage im Gruppenchat, erscheint ein neuer GitHub-Kommentar oder schlägt ein automatischer Test fehl, kann das System entscheiden, ob es reagieren soll.
- Watchdog, die laufende Kontrolle: achtet darauf, ob Aufgaben feststecken oder vom Ziel abkommen, und stößt bei Bedarf eine erneute Bearbeitung an.
Für uns ist daran besonders interessant, dass Nutzer nicht mehr darüber nachdenken müssen, wie viele KI-Gespräche im Hintergrund laufen. Es geht also um mehr als nur ein paar zusätzliche KI-Agenten.
DeepSeek beschreibt vier Ziele: den Kontext dauerhaft behalten, mehrere Aufgaben parallel bearbeiten, selbstständig auf Veränderungen reagieren und über längere Zeit laufen, einschließlich der Erholung nach Störungen.
2. Wird die Arbeit wirklich schneller erledigt?
Schauen wir uns an, was das Team getestet hat. Die Experimente nutzten eine simulierte Arbeitsumgebung: Pro Durchlauf gab es etwa 300 Ereignisse aus Gruppenchats und GitHub, darunter ungefähr 20 echte Arbeitsaufträge. Jede Variante wurde fünfmal ausgeführt. Um die Aufgabenverteilung getrennt untersuchen zu können, wurde die Programmierarbeit durch ein Werkzeug simuliert, das lediglich Zeit verbrauchte.
Getestet wurde also, wie mehrere Aufgaben verteilt, angenommen und abgeschlossen werden.
| Aufbau | Aufgabendauer P50 | Aufgabendauer P95 | Aus dem Cache gelesene Token pro Versuchsdurchlauf |
|---|---|---|---|
| Super-agent, vollständiger Aufbau | 12.4 Minuten | 15.7 Minuten | Etwa 23,200,000 |
| Super-agent ohne direkte Ereignisweiterleitung | 12.6 Minuten | 15.5 Minuten | Etwa 31,800,000 |
| Einzelne Sitzung + Subagent, gewöhnliche Anweisung | 20.4 Minuten | 29.5 Minuten | Etwa 6,100,000 |
| Einzelne Sitzung + Subagent, Anweisung mit Vorrang für Delegation | 13.8 Minuten | 29.0 Minuten | Etwa 10,800,000 |
Uns fallen dabei drei Dinge auf:
Erstens: Bei vielen Aufgaben kann Verlässlichkeit wichtiger sein als die Geschwindigkeit einer einzelnen Aufgabe. Beim vollständigen Super-agent lag P95 bei 15,7 Minuten, beim gewöhnlichen Ansatz mit einer einzelnen Sitzung bei 29,5 Minuten. Die Abschlusszeit am langsameren Ende sank damit um ungefähr 47%.
Zweitens: Die Anweisung „Gib Aufgaben möglichst an Unterassistenten weiter“ reicht nicht aus. Mit der gewöhnlichen Anweisung rief das Modell in keinem der fünf Durchläufe einen Subagenten auf. Mit der Anweisung, bevorzugt zu delegieren, geschah das in vier von fünf Durchläufen. P95 lag trotzdem noch bei 29,0 Minuten.
Drittens: Schneller bedeutet nicht automatisch günstiger. Der vollständige Super-agent las pro Durchlauf ungefähr 23,2 Millionen Token aus dem Cache, der gewöhnliche Ansatz mit einer einzelnen Sitzung etwa 6,1 Millionen. Besser vorhersehbare Abschlusszeiten wurden also mit mehr Aufwand für die Verarbeitung des Kontexts erkauft. Die direkte Ereignisweiterleitung senkte die Cache-Lesezugriffe wiederum von etwa 31,8 Millionen auf 23,2 Millionen Token. Auch der Systemaufbau beeinflusst somit den Ressourcenbedarf.
3. Was unterscheidet Super-agent von Manus, Genspark, OpenClaw und ChatGPT Work?
„Super Agent“ klingt nach einer einheitlichen Produktkategorie. Tatsächlich gibt es deutliche Unterschiede. Manche Produkte bieten fertige Dienste, mit denen auch Nutzer ohne technische Vorkenntnisse Aufgaben erledigen können. Andere liefern eine Grundlage, die man selbst betreiben und anpassen kann.
| Produkt oder Ansatz | Welches Problem steht im Mittelpunkt? | Für wen eignet es sich eher? | Aufwand für den Einstieg |
|---|---|---|---|
| DeepSeek-Super-agent-Prototyp | Dauerhaft Ereignisse empfangen, Aufgaben verteilen und mehrere Arbeitssitzungen koordinieren; der aktuelle Prototyp konzentriert sich auf GitHub-Abläufe | Entwickler und Teams, die Agentensysteme erforschen | Hoch: eigene Einrichtung und Wartung nötig |
| Genspark Super Agent | Mehrstufige Aufgaben für Recherche, Dokumente, Tabellen und Gestaltung in fertige Ergebnisse umsetzen | Nutzer, die mit wenig Einrichtungsaufwand Ergebnisse erhalten möchten | Gering: fertiges Produkt |
| Manus | Eine KI mit einem Cloud-Computer an Webseiten, Dateien, Anwendungen und geplanten Aufgaben arbeiten lassen | Nutzer aus Recherche, operativem Geschäft und Büroalltag | Gering bis mittel: abhängig von Aufgabe und Zugriffsrechten |
| OpenClaw | Einen dauerhaften Assistenten auf dem eigenen Gerät oder Server betreiben und über Chat-Apps erreichen | Nutzer, die Daten und Werkzeuge selbst kontrollieren möchten | Hoch: Installation, Einrichtung und Wartung nötig |
| ChatGPT Work | Über Websites, Dateien und Anwendungen hinweg recherchieren, analysieren und Arbeitsergebnisse erstellen | Nutzer mit anspruchsvollen Büroaufgaben | Gering: gehostetes Produkt; Funktionen hängen vom Konto ab |
Genspark Super Agent: ein Assistent, der fertige Ergebnisse abliefert
Er kann eine Anfrage in mehrere Schritte aufteilen, Werkzeuge aufrufen und am Ende eine Recherche, eine Präsentation, eine Datenanalyse oder andere Dateien liefern. Die neuere Version von Super Agent unterstützt außerdem Aufgaben in einer Cloud-Umgebung, wiederverwendbare Abläufe als Skills und die parallele Bearbeitung mehrerer Aufgaben.
Wenn das Ziel lautet: „Sammle Informationen über zehn Unternehmen und erstelle daraus eine vorzeigbare Präsentation“, ist ein solcher fertiger Agent leicht verständlich. Wir müssen uns nicht zuerst mit Router und Workern beschäftigen, sondern sagen einfach, welches Ergebnis wir brauchen.
Manus: vom Auftrag zur praktischen Ausführung
Zu den Funktionen gehören Webrecherche, Verbindungen zu Anwendungen, Automatisierung und ein Cloud-Computer. Die offizielle Erklärung zum Cloud-Computer beschreibt auch, dass eine dauerhaft bestehende Cloud-Umgebung Dateien und installierte Werkzeuge speichern kann. Das eignet sich für Skripte, Bots und wiederkehrende Aufgaben.
Für den Alltag lässt sich das als „Wir geben der KI einen Computer zum Arbeiten“ verstehen. Wenn eine Aufgabe das Öffnen von Webseiten, die Bearbeitung von Dateien oder regelmäßige Prüfungen auf Änderungen erfordert, ist der Ansatz von Manus gut nachvollziehbar.
OpenClaw: einen eigenen, dauerhaft erreichbaren KI-Assistenten betreiben
Wir verstehen OpenClaw als ein Agenten-Gateway, das sich selbst hosten lässt. Es verbindet Chat-Kanäle wie Telegram, WhatsApp und Slack und unterstützt geplante Aufgaben, Werkzeugaufrufe sowie die Weiterleitung zwischen mehreren Agenten.
OpenClaw ist interessant, wenn wir „eine Nachricht in einer Chat-App senden und den eigenen Server die Arbeit erledigen lassen“ möchten. Dafür müssen wir uns selbst um Bereitstellung, Zugriffsrechte, Modellkosten und laufende Wartung kümmern. Wie bei DeepSeek Super-agent liegt ein Teil des Reizes neben den Fähigkeiten des Agenten darin, das System selbst betreiben zu können.
ChatGPT Work: anspruchsvolle Büroaufgaben an einen Cloud-Agenten übergeben
Es kann Informationen aus Websites und verbundenen Anwendungen zusammentragen, Daten analysieren und Ergebnisse wie Tabellen oder Präsentationen erstellen. Für Menschen, die keinen eigenen Dienst betreiben möchten, ist das eine weitere Möglichkeit.
Wir sehen ChatGPT Work zusammen mit Genspark und Manus eher als direkt nutzbares Arbeitsprodukt. Der DeepSeek-Super-agent-Prototyp ist dagegen eher ein Beispiel, an dem Entwickler untersuchen können, wie sich ein solches System aufbauen lässt. Das beschreibt unterschiedliche Produktebenen, keine Rangfolge von besser oder schlechter.
4. Wie treffen wir unsere Auswahl?
Wir beginnen mit drei Szenarien:
- Recherchieren: „Suche auf drei öffentlichen Websites nach den neuesten Leistungsbeschreibungen und erstelle eine Tabelle zum Funktionsvergleich. Nenne für jede wichtige Schlussfolgerung die Originalquelle und kennzeichne Unsicherheiten.“
- Eine Datei erstellen: „Erstelle aus den fünf bereitgestellten Seiten mit Produktinformationen eine Präsentation mit 8 Folien für neue Nutzer. Erfinde keine Kundenzahlen oder Verkaufsdaten.“
- Eine laufende Aufgabe übernehmen: „Prüfe einmal pro Woche eine bestimmte Webseite auf Preisänderungen. Benachrichtige uns nur, wenn sich tatsächlich etwas geändert hat, und speichere einen Vergleich.“
Bei der Bewertung nutzen wir klare, messbare Kriterien, statt uns auf den Eindruck zu verlassen, der Agent sei besonders intelligent:
| Kriterium | Was wir erfassen |
|---|---|
| Erfolgsquote | Wie viele von 10 Abnahmepunkten tatsächlich erfüllt sind |
| Menschliche Eingriffe | Wie oft wir etwas erneut erklären, anklicken oder korrigieren müssen |
| Lieferzeit | Wie lange es vom Auftrag bis zu einem Ergebnis dauert, das die Anforderungen erfüllt |
| Verlässlichkeit der Quellen | Wie viele von 5 stichprobenartig geprüften Kernaussagen durch die ursprünglichen Webseiten belegt sind |
| Kosten | Tatsächlich verbrauchte Credits, Kontingente oder API-Gebühren |
Wir wiederholen dieselbe Aufgabe mindestens dreimal und vergleichen anschließend, wie stark die Ergebnisse schwanken. Besonders wichtig: Bei der dritten, laufenden Aufgabe muss man tatsächlich auf den Auslöser warten und die Erholung nach Störungen prüfen. Eine Antwort wie „Erfolgreich eingerichtet“ reicht nicht aus. Forschungsprototypen und fertige Produkte bieten auch nicht unbedingt dieselben Anbindungen. Lässt sich eine Aufgabe nicht ausführen, sollte sie als „für diese Einrichtung nicht angepasst“ gelten und nicht als Beleg für eine schwache Modellleistung.
So gehen wir selbst vor. Wer möchte, kann diese Methode ebenfalls ausprobieren.
5. Wie können Nutzer DeepSeeks Ansatz heute ausprobieren?
Wir unterscheiden drei Dinge: ein DeepSeek-Modell testen, DeepSeeks Agentenwerkzeuge ausprobieren und den Super-agent-Prototyp selbst betreiben.
Wer zunächst wissen möchte, ob DeepSeek beim Schreiben oder beim Auswerten von Informationen hilft, kann mit unserem Online-Testbereich für DeepSeek V4 Flash beginnen. Eine einfache Frage mit überprüfbarer Antwort hilft dabei, die Qualität einzuschätzen. Dafür muss nicht gleich ein komplettes Agentensystem eingerichtet werden.
Wer einen Agenten für weitere praktische Schritte nutzen möchte, kann sich die offizielle öffentliche Vorschau von DeepSeek Harness ansehen. Sie ist für Arbeiten mit Dokumenten, Tabellen, Recherche und Code ausgelegt.
Wer die technische Umsetzung von Agenten mit mehreren Aufgaben verstehen möchte, findet in dsh-superagent-prototype und der Einrichtungsanleitung einen Einstieg. Der öffentliche Prototyp arbeitet derzeit hauptsächlich rund um ein einzelnes GitHub-Repository. Wir empfehlen, mit möglichst wenigen Rechten zu beginnen und Forschungscode nicht automatisch wichtige Produktivprojekte verändern zu lassen.
6. Wie hängen DeepSeek-Modelle und Super-agent zusammen?
Diese Unterscheidung erklären wir unseren Kunden immer wieder: Das Modell liefert Sprachverständnis und Schlussfolgerungen. Das Agentensystem führt ihm fortlaufend Aufgaben zu, ruft Werkzeuge auf, setzt Schritte um, speichert den Zustand und liefert Ergebnisse.
Ein Assistent für wöchentliche Wettbewerber-Updates könnte zum Beispiel so arbeiten: Ein Programm ruft neue Inhalte öffentlicher Webseiten ab, das Modell erkennt die Änderungen, und das System speichert die Aufzeichnungen und verschickt eine geprüfte Zusammenfassung. Das Modell versteht den Inhalt. Zeitplanung, Abruf von Webseiten, Zugriffssteuerung und Benachrichtigungen entstehen nicht automatisch durch den Wechsel zu einem anderen Modell.
API Hop bietet derzeit einen einheitlichen Zugang zu verschiedenen Modell- und Daten-APIs. Entwickler können mit der API von DeepSeek V4 Flash oder DeepSeek V4 Pro ihre eigenen Agenten mit Sprachverständnis und Schlussfolgerungsfähigkeiten ausstatten. Aufgabenplanung, Werkzeugausführung und Langzeitgedächtnis müssen weiterhin durch das gewählte Framework oder das eigene Anwendungssystem umgesetzt werden.
Auch für Modellfähigkeiten gibt es eigene Messverfahren. Das offizielle Änderungsprotokoll der DeepSeek-API nennt beispielsweise für das im Juli 2026 veröffentlichte V4 Flash einen offiziellen Wert von 82,7 bei Terminal-Bench 2.1. Das hilft, die Fähigkeiten in einem bestimmten Test für Programmieragenten einzuschätzen. Es beweist jedoch nicht, dass „DeepSeek Super-agent 82,7% aller Aufgaben im Alltag erledigen kann“. Ein Modellwert im Benchmark und die Erfolgsquote eines vollständigen Systems sind verschiedene Dinge.
7. Häufige Fragen
Kann ich DeepSeek Super-agent herunterladen und direkt nutzen?
Herunterladen lässt sich der Code eines Forschungsprototyps, keine ausgereifte Anwendung, die normale Nutzer mit einem Klick installieren können. Für den Betrieb müssen DeepSeek Harness und weitere Abhängigkeiten eingerichtet sowie Zugänge wie GitHub konfiguriert werden. Für einen ersten Eindruck von DeepSeeks Agentenfunktionen empfehlen wir eher die öffentliche Vorschau von Harness.
Ist Super-agent vollständig kostenlos?
Der Prototyp ist unter der MIT-Lizenz quelloffen. Beim Betrieb können trotzdem Kosten für Modell-APIs, Rechenressourcen, Bereitstellung und Wartung anfallen. Quelloffen bedeutet nicht, dass der dauerhafte Betrieb nichts kostet.
Kann es selbstständig E-Mails senden, Dateien ändern und Code einreichen?
Das hängt davon ab, welche Werkzeuge das jeweilige Produkt oder der Prototyp nutzt, welche Rechte gewährt wurden und welche Betriebsregeln gelten. Wir empfehlen, für das Versenden von Nachrichten, Zahlungen, das Löschen von Dateien und das Zusammenführen von Code eine menschliche Bestätigung zu verlangen. Die KI sollte zunächst Entwürfe und Vorschläge vorbereiten. Danach lassen sich die Rechte schrittweise erweitern.
Welchen Agenten sollte ich zuerst ausprobieren?
Wir gehen von der Aufgabe aus: Für Recherche und fertige Dokumente bietet sich zuerst ein fertiger Cloud-Agent an. Wer dauerhaft über Chat-Apps verbunden sein möchte, kann sich OpenClaw ansehen. Wer die technische Architektur der Aufgabenverteilung in einem Team verstehen möchte, findet im Super-agent-Prototyp von DeepSeek einen Einstieg. Nur weil überall „Agent“ im Namen steht, lösen die Angebote nicht automatisch dasselbe Problem.
Unsere Einschätzung
Für uns ist an DeepSeeks Super-agent weniger der größere Name interessant als die Auseinandersetzung mit einer lange übersehenen Frage: Wenn KI tatsächlich für uns arbeitet, wer verteilt die Aufgaben, verwaltet den Kontext, erkennt Probleme und bezieht Menschen nur dann ein, wenn es nötig ist?
Die offiziellen Experimente deuten darauf hin, dass eine fest in die Systemarchitektur eingebaute Arbeitsteilung verlässlicher sein kann als die bloße Anweisung „Nutze häufiger Unterassistenten“. Gleichzeitig sehen wir den Aufwand: mehr Laufzeitumgebungen, mehr Kontextverarbeitung sowie komplexere Rechte- und Wiederherstellungsmechanismen. Ein schneller Agent, der häufig Fehler macht und immer wieder kontrolliert werden muss, spart nicht unbedingt Zeit.
Wir erwarten, dass Nutzer bei der Auswahl eines KI-Assistenten künftig seltener nach dem verwendeten Modell fragen und stärker auf drei Dinge achten: Wurde die Aufgabe wirklich erledigt? Lassen sich Fehler erkennen? Wie viel Geld und menschliche Arbeit hat es gekostet?
Das ist auch die Richtung, die wir mit API Hop verfolgen möchten: Fähigkeiten, Kosten und geeignete Einsatzbereiche von Modellen verständlich erklären und anschließend Modell- und Datendienste mit nützlichen Arbeitsabläufen verbinden. Modelle und Daten sind wichtige Bestandteile. Doch ein verlässlicher Agent muss sich letztlich an überprüfbaren Ergebnissen messen lassen.