Belakangan ini, saat mengobrol dengan pelanggan tentang DeepSeek, kami mulai mendapat pertanyaan baru di luar kemampuan model dan harga: Apa sebenarnya DeepSeek Super-agent? Bisakah ia menyelesaikan pekerjaan sendiri seperti asisten sungguhan?
Super-agent bukan model baru, dan DeepSeek juga belum meluncurkan “asisten super” yang bisa langsung dipakai siapa saja dengan sekali klik. Pada 31 Oktober 2026, tim DeepSeek Harness membagikan rancangan agar AI agent bisa terus bekerja dan menangani beberapa tugas sekaligus, disertai prototipe riset dengan kode sumber terbuka. Repositori prototipe resmi DeepSeek bahkan menegaskan bahwa prototipe ini hanya untuk referensi riset, bukan produk resmi DeepSeek, dan tidak disarankan untuk langsung dipakai sebagai sistem produksi.
Lalu, mengapa ini menarik? Yang dibahas bukan “seberapa sulit pertanyaan yang bisa dijawab AI”, melainkan hal yang lebih dekat dengan keseharian kita: Kalau kita memberi AI lima tugas sekaligus, bisakah ia menyelesaikan semuanya dengan teratur tanpa harus terus diingatkan?
1. Apa sebenarnya DeepSeek Super-agent?
Selama ini: “satu permintaan, satu tugas”
AI percakapan biasa mirip konsultan yang siap membantu kapan saja: kita bertanya, ia menjawab. AI agent melangkah lebih jauh. Selain menjawab, ia bisa memakai alat bantu, menelusuri situs, merapikan spreadsheet, dan mengubah kode untuk mencoba menghasilkan pekerjaan yang tuntas.
Namun, masalah mulai muncul ketika tugas bertambah banyak.
Misalnya, di satu jendela kita meminta AI mengumpulkan informasi pesaing, di jendela lain memeriksa masalah situs, dan di jendela ketiga menyiapkan laporan mingguan. Tak lama kemudian, kita sendiri harus mengingat sudah sampai mana setiap percakapan, tugas mana yang macet, dan mana yang membutuhkan informasi tambahan.
Dalam artikel rancangannya, tim DeepSeek menyebut bahwa menurut pengamatan mereka, seseorang biasanya hanya bisa mengikuti tiga sampai lima percakapan aktif sekaligus. Tentu saja, ini bukan batas yang berlaku untuk semua orang. Namun, mengikuti beberapa tugas bersamaan membutuhkan lebih banyak perhatian. Di sinilah persoalan praktisnya: AI bisa memulai banyak tugas sekaligus, sedangkan perhatian manusia terbatas dan sulit mengikuti semuanya.
“Satu koordinator, beberapa pelaksana”: kita hanya ingin AI membantu menuntaskan pekerjaan
Gagasan Super-agent lebih mudah dipahami sebagai sebuah tim kecil:
- Router (koordinator tugas): mengingat permintaan kita, menerima pesan baru, dan membagikan pekerjaan tanpa sibuk mengerjakan tugas itu sendiri.
- Worker (pelaksana): masing-masing memiliki tugas dan catatan kerja sendiri. Mereka bisa mengerjakan hal berbeda secara bersamaan, lalu melapor kepada koordinator setelah selesai.
- Pemicu peristiwa: ketika seseorang bertanya di grup, muncul komentar baru di GitHub, atau pengujian otomatis gagal, sistem bisa menilai apakah perlu menindaklanjutinya.
- Watchdog (pengawas): memantau apakah tugas macet atau melenceng, lalu meminta sistem menanganinya kembali bila diperlukan.
Bagi kami, yang paling menarik bukan sekadar “ada lebih banyak AI agent”, melainkan tujuannya agar pengguna tidak perlu memikirkan berapa banyak percakapan yang dijalankan AI di balik layar.
DeepSeek merangkum tujuannya dalam empat hal: menjaga konteks dari waktu ke waktu, mengerjakan beberapa tugas secara paralel, merespons perubahan lingkungan secara proaktif, serta berjalan dalam waktu lama dan pulih dari gangguan.
2. Apakah benar lebih cepat?
Mari lihat apa yang diuji tim tersebut. Eksperimen ini menggunakan lingkungan kerja simulasi: setiap putaran berisi sekitar 300 peristiwa dari obrolan grup dan GitHub, dengan sekitar 20 di antaranya berupa permintaan kerja nyata. Setiap rancangan diuji lima kali. Agar penjadwalan tugas bisa diteliti secara terpisah, pekerjaan pemrograman disimulasikan dengan alat yang hanya menghabiskan waktu.
Yang diuji adalah cara membagikan, menerima, dan menyelesaikan beberapa pekerjaan.
| Rancangan | Durasi tugas P50 | Durasi tugas P95 | Token yang dibaca dari cache per putaran eksperimen |
|---|---|---|---|
| Super-agent (rancangan lengkap) | 12.4 menit | 15.7 menit | Sekitar 23,200,000 |
| Super-agent (tanpa penerusan peristiwa langsung) | 12.6 menit | 15.5 menit | Sekitar 31,800,000 |
| Satu sesi + subagent (prompt biasa) | 20.4 menit | 29.5 menit | Sekitar 6,100,000 |
| Satu sesi + subagent (prompt yang mengutamakan delegasi) | 13.8 menit | 29.0 menit | Sekitar 10,800,000 |
Ada tiga hal menarik yang kami lihat dari tabel ini:
Pertama, saat tugas banyak, konsistensi bisa lebih penting daripada kecepatan satu tugas. P95 rancangan Super-agent lengkap adalah 15,7 menit, dibandingkan 29,5 menit untuk pendekatan satu sesi dengan prompt biasa. Artinya, waktu penyelesaian pada kelompok tugas yang lebih lambat berkurang sekitar 47%.
Kedua, mengingatkan AI agar “sebisa mungkin menyerahkan tugas ke subagent” belum cukup. Dalam eksperimen ini, model tidak memanggil subagent sama sekali pada kelima putaran dengan prompt biasa. Setelah prompt diubah menjadi “utamakan delegasi”, model menyerahkan tugas pada empat dari lima putaran, tetapi P95 masih 29,0 menit.
Ketiga, lebih cepat belum tentu lebih murah. Dalam satu putaran, rancangan Super-agent lengkap membaca sekitar 23,2 juta token dari cache, sedangkan pendekatan satu sesi dengan prompt biasa membaca sekitar 6,1 juta. Rancangan lengkap memakai lebih banyak sumber daya untuk memproses konteks agar waktu penyelesaian lebih bisa diprediksi. Di sisi lain, mekanisme penerusan peristiwa langsung menurunkan pembacaan cache dari sekitar 31,8 juta menjadi 23,2 juta token. Ini menunjukkan bahwa rancangan sistem juga memengaruhi penggunaan sumber daya.
3. Apa bedanya dengan Manus, Genspark, OpenClaw, dan ChatGPT Work?
“Super Agent” terdengar seperti satu kategori produk yang seragam, padahal bukan. Ada produk yang sudah mengemas pelaksanaan tugas menjadi layanan siap pakai untuk pengguna umum. Ada juga yang menyediakan kerangka dasar untuk dipasang dan disesuaikan sendiri.
| Produk atau pendekatan | Masalah utama yang ditangani | Lebih cocok untuk siapa? | Kemudahan memulai |
|---|---|---|---|
| Prototipe DeepSeek Super-agent | Menerima peristiwa secara berkelanjutan, membagikan tugas, dan mengoordinasikan beberapa sesi pelaksana; prototipe saat ini berfokus pada alur kerja GitHub | Pengembang dan tim yang meneliti sistem agent | Cukup sulit: perlu menyiapkan dan memelihara sendiri |
| Genspark Super Agent | Mengubah tugas bertahap seperti riset, dokumen, spreadsheet, dan desain menjadi hasil akhir | Pengguna umum yang ingin langsung mendapat hasil tanpa banyak pengaturan | Mudah: memakai produk siap pakai |
| Manus | Memungkinkan AI memakai komputer cloud untuk mengerjakan tugas di situs, berkas, aplikasi, dan pekerjaan terjadwal | Pengguna yang menangani riset, operasional, dan pekerjaan kantor sehari-hari | Mudah sampai sedang: tergantung tugas dan izin koneksi |
| OpenClaw | Menjalankan asisten jangka panjang di perangkat atau server sendiri, yang bisa diakses melalui aplikasi pesan | Pengguna yang ingin mengendalikan data dan alat bantu sendiri | Cukup sulit: perlu memasang, mengatur, dan memelihara sendiri |
| ChatGPT Work | Melakukan riset, analisis, dan menghasilkan pekerjaan dengan mengakses situs, berkas, serta aplikasi | Pengguna yang menangani pekerjaan kantor yang kompleks | Mudah: memakai layanan yang dikelola penyedia, dengan kemampuan yang berbeda menurut akun |
Genspark Super Agent: asisten yang menyerahkan hasil jadi
Genspark bisa membagi satu permintaan menjadi beberapa langkah, memakai alat bantu, lalu menyerahkan hasil riset, presentasi, analisis data, atau berkas lain. Super Agent versi baru juga mendukung pengerjaan tugas di lingkungan cloud, penyimpanan alur kerja sebagai Skill yang bisa dipakai ulang, serta pengerjaan beberapa tugas secara paralel.
Jika yang kita inginkan adalah “kumpulkan informasi sepuluh perusahaan, lalu buat presentasi yang layak ditampilkan”, agent siap pakai seperti ini lebih mudah dipahami. Kita tidak perlu mempelajari Router dan Worker lebih dulu, cukup sampaikan hasil yang diinginkan.
Manus: lebih menekankan tindakan nyata untuk menyelesaikan tugas
Kemampuannya mencakup riset web, koneksi aplikasi, otomatisasi, dan komputer cloud. Panduan resmi komputer cloud juga menjelaskan bahwa lingkungan cloud yang tetap berjalan bisa menyimpan berkas dan alat yang sudah dipasang, sehingga cocok untuk menjalankan skrip, bot, dan tugas berulang.
Bagi pengguna umum, kami memahaminya sebagai “memberi AI komputer untuk bekerja”. Jika tugasnya mencakup membuka situs, mengolah berkas, atau memeriksa perubahan secara berkala, arah produk Manus cukup jelas.
OpenClaw: menjalankan sendiri asisten AI yang selalu tersedia
Kami melihatnya sebagai gerbang agent yang bisa dijalankan di infrastruktur sendiri. OpenClaw bisa terhubung ke kanal percakapan seperti Telegram, WhatsApp, dan Slack, serta mendukung tugas terjadwal, pemanggilan alat bantu, dan pengarahan permintaan ke beberapa agent.
Jika kita ingin “mengirim pesan lewat aplikasi chat, lalu membiarkan server sendiri mengerjakannya”, OpenClaw layak dipelajari. Konsekuensinya, kita harus menangani sendiri pemasangan, izin keamanan, biaya model, dan pemeliharaan harian. Seperti DeepSeek Super-agent, selain kemampuan agent, kebutuhan untuk menyiapkan sistem sendiri juga perlu diperhatikan.
ChatGPT Work: menyerahkan pekerjaan kantor yang kompleks ke agent cloud
ChatGPT Work bisa mengumpulkan informasi dari situs dan aplikasi yang terhubung, menganalisis data, serta membuat hasil akhir seperti spreadsheet dan slide. Ini juga bisa menjadi pilihan bagi orang yang tidak ingin membangun layanan sendiri.
Menurut kami, ChatGPT Work, Genspark, dan Manus lebih dekat dengan “produk kerja yang langsung dipakai”, sedangkan prototipe DeepSeek Super-agent lebih mirip “contoh bagi pengembang untuk mempelajari cara membangun sistem seperti ini”. Ini bukan soal mana yang lebih canggih, melainkan perbedaan bentuk dan tingkat kesiapan produknya.
4. Bagaimana kami memilih?
Kami memulai dengan tiga skenario:
- Mencari informasi: “Cari penjelasan layanan terbaru dari tiga situs publik, buat tabel perbandingan fitur, sertakan sumber asli untuk setiap kesimpulan penting, dan tandai bagian yang belum pasti.”
- Membuat berkas: “Dari materi produk sebanyak lima halaman yang diberikan, buat presentasi delapan halaman untuk pengguna baru. Jangan mengarang jumlah pelanggan atau data penjualan.”
- Menjalankan tugas berkelanjutan: “Periksa perubahan harga pada halaman web yang ditentukan setiap minggu. Beri tahu kami hanya jika benar-benar ada perubahan, dan simpan catatan perbandingannya.”
Saat menilai, kami membagi tugas menjadi beberapa ukuran yang jelas dan bisa dihitung, alih-alih hanya mengatakan “AI-nya pintar” berdasarkan kesan:
| Ukuran | Cara kami mencatatnya |
|---|---|
| Tingkat penyelesaian | Dari 10 kriteria penerimaan, berapa yang benar-benar terpenuhi |
| Bantuan manusia | Berapa kali kami perlu menjelaskan ulang, mengeklik, atau mengoreksi di tengah proses |
| Waktu penyelesaian | Berapa lama dari pemberian tugas sampai hasilnya siap diperiksa |
| Keandalan sumber | Dari 5 kesimpulan penting yang diperiksa secara acak, berapa yang didukung halaman sumber asli |
| Biaya | Kredit, kuota, atau biaya API yang benar-benar terpakai |
Ulangi tugas yang sama setidaknya tiga kali, lalu bandingkan variasi hasilnya. Perlu diingat: untuk tugas berkelanjutan yang ketiga, kita harus benar-benar menunggu pemicunya dan menguji kemampuan pemulihannya, bukan hanya melihat apakah agent menjawab “berhasil diatur”. Prototipe riset dan produk siap pakai juga belum tentu mendukung cara integrasi yang sama. Bagian yang belum bisa dijalankan perlu diberi label “belum disesuaikan”, bukan dianggap sebagai kelemahan kemampuan model.
Inilah cara yang kami pakai sendiri. Anda juga bisa mencobanya.
5. Bagaimana pengguna umum bisa mencoba pendekatan DeepSeek sekarang?
Kami membedakan “mencoba model DeepSeek”, “mencoba alat agent DeepSeek”, dan “memasang prototipe Super-agent” sebagai tiga hal terpisah.
Jika hanya ingin melihat apakah DeepSeek bisa membantu menulis atau menganalisis informasi: Anda bisa mulai dari uji coba online DeepSeek V4 Flash yang kami sediakan. Gunakan pertanyaan sederhana yang jawabannya bisa diperiksa untuk menilai kualitas hasil. Tidak perlu langsung memasang satu sistem agent lengkap.
Jika ingin agent menjalankan lebih banyak tindakan: lihat pratinjau publik resmi DeepSeek Harness. Alat ini ditujukan untuk pekerjaan seperti dokumen, spreadsheet, riset, dan kode.
Jika ingin mempelajari cara kerja dasar agent yang menangani banyak tugas: pelajari dsh-superagent-prototype dan panduan pemasangannya. Prototipe publik saat ini terutama bekerja pada satu repositori GitHub. Kami menyarankan memulai dengan izin seminimal mungkin, dan tidak langsung membiarkan kode riset mengubah proyek produksi yang penting secara otomatis.
6. Apa sebenarnya hubungan model DeepSeek dengan Super-agent?
Inilah yang terus kami jelaskan kepada pelanggan: model menyediakan kemampuan memahami dan menalar, sedangkan sistem agent mengatur agar model terus menerima tugas, memakai alat bantu, menjalankan langkah kerja, menyimpan status, dan menyerahkan hasil.
Contohnya, “asisten pemantau pesaing mingguan” bisa bekerja seperti ini: program mengambil konten baru dari halaman publik, model mengidentifikasi perubahannya, lalu sistem menyimpan catatan dan mengirim ringkasan yang sudah ditinjau. Model bertugas memahami isi. Penjadwalan, pengambilan data web, pengaturan izin, dan notifikasi tidak muncul dengan sendirinya hanya karena kita mengganti model.
Saat ini, API Hop menyediakan akses terpadu ke berbagai model dan API data. Pengembang bisa memakai API DeepSeek V4 Flash atau DeepSeek V4 Pro untuk memberi agent buatan mereka kemampuan memahami bahasa dan menalar. Penjadwalan tugas, pelaksanaan alat bantu, dan memori jangka panjang tetap perlu ditangani oleh kerangka kerja yang dipilih atau sistem bisnisnya.
Kemampuan model juga memiliki ukuran tersendiri. Misalnya, catatan pembaruan resmi DeepSeek API menyebut bahwa V4 Flash yang dirilis pada Juli 2026 mendapat skor resmi 82,7 di Terminal-Bench 2.1. Skor ini membantu kita menilai kemampuannya dalam pengujian agent pemrograman tertentu, tetapi tidak membuktikan bahwa “DeepSeek Super-agent bisa menyelesaikan 82,7% tugas di dunia nyata”. Skor model dan tingkat penyelesaian seluruh sistem tidak bisa disamakan.
7. Pertanyaan yang paling sering muncul
Bisakah DeepSeek Super-agent langsung diunduh dan dipakai?
Yang bisa diunduh adalah kode prototipe riset, bukan aplikasi matang untuk pengguna umum yang cukup dipasang dengan sekali klik. Untuk memakainya, Anda perlu memasang DeepSeek Harness beserta dependensinya, lalu mengatur jalur masuk seperti GitHub. Jika ingin lebih dulu mencoba kemampuan agent DeepSeek, kami lebih menyarankan pratinjau publik Harness.
Apakah Super-agent sepenuhnya gratis?
Kode prototipenya memakai lisensi sumber terbuka MIT. Namun, menjalankannya masih bisa memerlukan biaya API model, sumber daya komputasi, pemasangan, dan pemeliharaan. Kode sumber terbuka tidak berarti bisa terus dijalankan tanpa biaya.
Bisakah ia mengirim email, mengubah berkas, dan mengirim kode sendiri?
Itu tergantung alat yang terhubung ke produk atau prototipe, izin yang diberikan, dan aturan pengoperasiannya. Kami menyarankan agar tindakan seperti mengirim pesan, membayar, menghapus berkas, dan menggabungkan kode memerlukan konfirmasi manusia. Biarkan AI menyiapkan draf dan saran terlebih dahulu, lalu perluas izinnya secara bertahap.
Agent mana yang paling layak dicoba lebih dulu?
Kami akan melihat pekerjaannya terlebih dahulu: untuk riset dan pembuatan dokumen, mulailah dengan agent cloud siap pakai; untuk asisten yang terus terhubung ke aplikasi pesan, pelajari OpenClaw; untuk memahami arsitektur teknis pembagian tugas dalam tim, baca prototipe Super-agent DeepSeek. Jangan menganggap semuanya menyelesaikan masalah yang sama hanya karena namanya sama-sama memakai “Agent”.
Pandangan kami
Menurut kami, hal yang paling menarik dari Super-agent DeepSeek kali ini bukan nama yang lebih mengesankan. Yang menarik adalah pembahasan serius tentang masalah yang sudah lama kurang diperhatikan: Saat AI benar-benar mulai bekerja untuk kita, siapa yang mengatur tugas, mengelola konteks, mendeteksi gangguan, dan memastikan manusia hanya perlu turun tangan saat diperlukan?
Dari eksperimen resmi, memasukkan pembagian tugas ke dalam arsitektur sistem memang berpotensi memberi hasil yang lebih konsisten daripada sekadar prompt “tolong lebih sering gunakan subagent”. Namun, ada konsekuensinya: lebih banyak lingkungan eksekusi, lebih banyak pemrosesan konteks, serta mekanisme izin dan pemulihan yang lebih rumit. Agent yang cepat tetapi sering salah dan harus terus diperiksa belum tentu benar-benar menghemat waktu.
Menurut kami, saat memilih asisten AI di masa depan, pengguna umum mungkin makin jarang bertanya “model apa yang dipakai?” dan lebih peduli pada tiga hal: apakah pekerjaannya benar-benar selesai, apakah kesalahannya bisa diketahui, serta berapa biaya dan tenaga manusia yang dibutuhkan.
Inilah arah yang ingin kami pertahankan dalam menjalankan API Hop: menjelaskan kemampuan model, biaya, dan kegunaan yang sesuai terlebih dahulu, lalu menghubungkan layanan model dan data ke alur kerja yang benar-benar bermanfaat. Model dan data memang penting, tetapi agent yang andal pada akhirnya harus dibuktikan lewat hasil yang bisa diperiksa dan diterima.