DeepSeek Super-agentとは？Manus・Genspark・OpenClawとの違いを解説

最近、お客様へのヒアリングでDeepSeekの話をすると、モデルの性能や料金に加えて、こんな質問をよくいただくようになりました。DeepSeek Super-agentとは、そもそも何なのか。本物のアシスタントのように、自分で仕事を最後まで進めてくれるのか。

Super-agentは新しいモデルではありません。また、誰もがワンクリックで使える「スーパーアシスタント」をDeepSeekが提供し始めたわけでもありません。2026年10月31日、DeepSeek Harnessチームが公開したのは、AIエージェントが継続して動き、複数の仕事を同時に進めるための設計と、オープンソースの研究用プロトタイプです。DeepSeekの公式プロトタイプリポジトリでも、研究の参考にするためのもので、正式なDeepSeek製品ではなく、そのまま本番システムとして使うことも推奨しないと明記されています。

それでも注目する価値があるのは、なぜでしょうか。ここで考えられているのは「AIはどれほど難しい質問に答えられるか」ではなく、もっと身近な問題だからです。五つの仕事を一度にAIへ任せたとき、何度も催促しなくても、順序よく全部終わらせてくれるのか。

1. DeepSeek Super-agentとは？

これまでは「一つ頼むと、一つやってくれる」

一般的なチャットAIは、いつでも相談できるアドバイザーのような存在です。質問すると、答えを返してくれます。AIエージェントはもう一歩進み、回答するだけでなく、ツールを使ったり、ウェブを調べたり、表を整理したり、コードを修正したりして、成果物を仕上げようとします。

ただ、仕事が増えると問題が出てきます。

たとえば、一つのウィンドウでは競合の情報整理、別のウィンドウではウェブサイトの不具合チェック、三つ目では週報の作成をAIに頼んだとします。しばらくすると、それぞれがどこまで進んだか、どの仕事が止まっているか、何の情報を追加すればよいかを、自分で覚えておかなければなりません。

DeepSeekチームは設計を紹介する記事で、一人が同時に追える進行中の会話は、観察した限りでは通常3〜5件だと述べています。もちろん、誰もがこの件数までしか追えないという意味ではありません。ただ、複数の仕事に同時に気を配るほど負担は増えます。AIはたくさんの仕事を同時に始められても、人が向けられる注意には限りがあり、すべてを追い続けるのは難しい。そこに現実的な課題があります。

「一人のまとめ役と複数の実行役」で、仕事を終わらせてほしい

Super-agentの考え方は、小さなチームにたとえるとわかりやすくなります。

• Router（まとめ役）：私たちが何を頼んだかを覚え、新しいメッセージを受け取り、仕事を振り分けます。自分で個々の作業にかかりきりにはなりません。
• Worker（実行役）：それぞれが自分の担当と作業記録を持ち、別々の仕事を同時に進め、終わったらまとめ役に報告します。
• イベントをきっかけに動く仕組み：グループチャットで質問が出た、GitHubに新しいコメントが付いた、自動テストが失敗したといった変化に、対応すべきかを判断します。
• Watchdog（見守り役）：仕事が止まったり、目的から外れたりしていないかを確認し、必要ならシステムに処理をやり直させます。

この設計で私たちが最も面白いと感じるのは、単にAIエージェントが増えることではありません。ユーザーが裏側でAIの会話がいくつ動いているかを気にしなくてよい状態を目指していることです。

DeepSeekはその目標を、文脈を保ち続けること、複数の仕事を並行して進めること、環境の変化に自ら対応すること、長時間動き続けて異常から復旧することの四つにまとめています。

2. 本当に速くなる？

チームが何を検証したのかを見てみましょう。今回の実験では、模擬的な作業環境を使っています。1回あたり約300件のグループチャットやGitHubのイベントが発生し、そのうち約20件が実際の作業依頼です。各方式を5回ずつ実行しています。「仕事の割り振り」だけを切り離して分析するため、実験内のプログラミング作業は、時間を消費するだけのツールで再現しています。

検証しているのは、複数の仕事をどう割り振り、受け付け、完了させるかです。

この表から、私たちは三つの点に注目しました。

一つ目は、仕事が多いときには、単発の速さより安定性が大切になる可能性があることです。全機能を有効にしたSuper-agentのP95は15.7分で、通常の単一セッション方式の29.5分に比べ、完了まで長くかかる側の時間が約 47% 短くなっています。

二つ目は、AIに「できるだけサブエージェントに任せて」と伝えるだけでは足りないことです。この実験では、通常のプロンプトだと5回ともSubagentを呼び出しませんでした。「委任を優先する」プロンプトにすると5回中4回で仕事を任せましたが、P95は依然として29.0分でした。

三つ目は、速いからといって安くなるとは限らないことです。全機能を有効にしたSuper-agentのキャッシュ読み取り量は実験1回あたり約2320万Tokenで、通常の単一セッション方式は約610万Tokenでした。より多くの文脈を処理するためのリソースを使うことで、完了時間の見通しを立てやすくしているわけです。一方、イベントを直接受け渡す仕組みによって、キャッシュ読み取り量は約3180万から2320万に減りました。システムの設計もコストに影響することがわかります。

3. Manus・Genspark・OpenClaw・ChatGPT Workとの違いは？

「Super Agent」と聞くと、一つの決まった製品カテゴリのように思えるかもしれませんが、実際はそうではありません。専門知識がなくてもそのまま仕事を任せられるサービスもあれば、自分で設置し、手を加えて使うための基盤を提供するものもあります。

Genspark Super Agent：成果物まで仕上げてくれるアシスタント

一つの依頼をいくつかの手順に分け、ツールを使い、最終的に調査資料、プレゼンテーション、データ分析、その他のファイルを作成します。新版のSuper Agentでは、クラウド環境でのタスク実行、作業手順を再利用可能なSkillとして保存する機能、複数の仕事を並行して進める機能にも対応しています。

たとえば「十社の情報を集めて、見やすいプレゼン資料にしてほしい」という目的なら、このような完成したサービスとしてのAgentはわかりやすい選択肢です。裏側のRouterやWorkerを調べなくても、何を仕上げてほしいかを直接伝えられます。

Manus：依頼を実際の操作につなげることを重視

ウェブ調査、アプリ連携、自動化、クラウド上のコンピューターなどの機能があります。クラウドコンピューターについての公式説明によると、継続して使えるクラウド環境にファイルやインストールしたツールを保存でき、スクリプト、ボット、繰り返し作業の実行に適しています。

一般ユーザーにとっては「AIに、仕事ができるコンピューターを一台渡す」と考えるとわかりやすいでしょう。ウェブページを開く、ファイルを処理する、変化を定期的に確認するといった仕事なら、Manusが何を目指す製品かをつかみやすいと思います。

OpenClaw：いつでも使えるAIアシスタントを自分で運用したい人に

私たちはOpenClawを、自分でホスティングできるエージェントのゲートウェイと捉えています。Telegram、WhatsApp、Slackなどのチャットサービスにつなげられ、定期実行、ツールの呼び出し、複数のエージェントへの振り分けにも対応しています。

「チャットアプリでメッセージを送って、自分のサーバーに処理させたい」なら、OpenClawは調べてみる価値があります。ただし、導入、セキュリティ上の権限管理、モデルの利用料、日々の保守は自分で担います。DeepSeek Super-agentと同じく、エージェントとしての能力に加えて、自分で設置・運用する必要がある点も考えておきたいところです。

ChatGPT Work：複雑なオフィス業務をクラウドのエージェントに任せる

ウェブサイトや接続済みのアプリから情報を集め、データを分析し、表計算ファイルやスライドなどの成果物を作れます。自分でサービスを構築したくない人には、こちらも選択肢になります。

私たちの見方では、ChatGPT WorkはGensparkやManusと同じく、そのまま使うための業務用製品に近いものです。一方、DeepSeek Super-agentのプロトタイプは、開発者がこうしたシステムの作り方を研究するためのサンプルに近いものです。どちらが上か下かではなく、製品として担う役割が違います。

4. 私たちはどう選んでいる？

まず、次の三つの場面を選びました。

1. 情報を調べる：「三社の公開ウェブサイトで最新のサービス紹介を調べ、機能の比較表を作ってください。重要な結論にはそれぞれ元の情報源を付け、不確かな点は明示してください。」
2. 資料を作る：「提供する五ページの製品資料をもとに、新規ユーザー向けの8ページのプレゼン資料を作ってください。顧客数や売上データを作り上げてはいけません。」
3. 継続的に作業する：「指定したウェブページの価格を毎週一度確認し、実際に変わったときだけ私たちに通知してください。比較記録も保存してください。」

評価するときは、なんとなく「賢い」と判断するのではなく、仕事を明確に測れるいくつかの指標に分けています。

同じ仕事を少なくとも3回繰り返し、結果のばらつきを比べます。特に、三つ目の継続的な作業は、実際に実行のタイミングを待ち、復旧できるかも検証する必要があります。エージェントが「設定できました」と答えたかどうかだけでは判断できません。また、研究用プロトタイプと完成した製品では、対応する接続方法が同じとは限りません。実行できない項目は「未対応」とし、モデルの能力が低いという評価には含めません。

これは私たち自身が使っている方法です。関心があれば試してみてください。

5. 今、DeepSeekの取り組みを試すには？

私たちは「DeepSeekのモデルを試す」「DeepSeekのエージェントツールを試す」「Super-agentのプロトタイプを導入する」を、別々のこととして考えています。

文章作成や資料の分析にDeepSeekが役立つかを知りたいだけなら、私たちが提供するDeepSeek V4 Flashのオンライン体験から始められます。まずは簡単で答えを確認できる質問を使い、出力の質を見てみましょう。最初からエージェントの仕組みを一式導入する必要はありません。

エージェントにもっといろいろな操作を任せたいなら、DeepSeek Harnessの公式公開プレビュー版を確認してみてください。文書、表計算、調査、コードなどの仕事に向けたものです。

複数の仕事をこなすエージェントの内部の仕組みを研究したいなら、dsh-superagent-prototypeとセットアップ手順を見てみましょう。現在公開されているプロトタイプは、主に一つのGitHubリポジトリを中心に動きます。最小限の権限から始め、研究用のコードに重要な本番プロジェクトをいきなり自動変更させないことをお勧めします。

6. DeepSeekのモデルとSuper-agentは、どういう関係？

私たちがお客様に繰り返し説明しているのは、モデルが理解と推論の能力を提供し、エージェントシステムが仕事を継続的にモデルへ渡し、ツールを呼び出し、手順を実行し、状態を保存して、成果物を届けるという役割分担です。

たとえば「毎週、競合の動きを調べるアシスタント」なら、まずプログラムが公開ウェブページの新しい内容を取得し、モデルが変化を抽出し、最後にシステムが記録を保存して、レビュー済みの要約を送信する、といった流れになります。モデルは内容を読み取る役割です。モデルを変えたからといって、定期実行、ウェブページの取得、権限管理、通知の仕組みが自動で備わるわけではありません。

API Hopが現在提供しているのは、複数のモデルやデータAPIを一つの窓口から利用できる仕組みです。開発者はDeepSeek V4 FlashやDeepSeek V4 ProのAPIを使って、自作のエージェントに言語理解と推論の能力を持たせられます。ただし、タスクのスケジューリング、ツールの実行、長期的な記憶は、選んだフレームワークや業務システム側で実装する必要があります。

モデルの能力には、それ自体を測る方法もあります。たとえば、DeepSeek APIの公式更新履歴には、2026年7月に公開されたV4 FlashがTerminal-Bench 2.1で82.7という公式スコアを獲得したと記録されています。これは特定のコーディングエージェント向けテストでの能力を判断する手がかりにはなりますが、「DeepSeek Super-agentが現実の仕事の82.7%を完了できる」という証明にはなりません。モデルのスコアと、システム全体の仕事の完了率は分けて考える必要があります。

7. よくある質問

DeepSeek Super-agentはダウンロードしてすぐ使える？

ダウンロードできるのは研究用プロトタイプのコードであり、一般ユーザーがワンクリックでインストールできる完成済みアプリではありません。実際に使うには、DeepSeek Harnessや関連する依存ソフトウェアを導入し、GitHubなどの接続先を設定する必要があります。まずDeepSeekのエージェント機能を体験したいなら、Harnessの公開プレビュー版を確認するほうがお勧めです。

Super-agentは完全無料？

プロトタイプのコードはMITライセンスで公開されていますが、動かすにはモデルAPI、計算リソース、導入・保守などの費用がかかる場合があります。オープンソースだからといって、長期間動かす費用までゼロになるわけではありません。

自分でメールを送ったり、ファイルを編集したり、コードをコミットしたりできる？

どのツールを製品やプロトタイプに接続しているか、どの権限を与えているか、どのような実行ルールを設けているかによります。私たちは、メール送信、支払い、ファイル削除、コードのマージなどは人の確認を必須にすることを勧めています。まずAIには下書きや提案を作らせ、その後、段階的に権限を広げるとよいでしょう。

最初に試すなら、どのエージェントがよい？

私たちなら、まず仕事の内容を見ます。調査や文書の作成なら、すぐ使えるクラウド型のエージェントから試します。チャットアプリにつないで継続的に使いたいなら、OpenClawを調べます。チームの仕事を割り振る技術的な構成を理解したいなら、DeepSeekのSuper-agentプロトタイプを読むとよいでしょう。名前に同じ「Agent」が入っていても、同じ問題を解決するものとは限りません。

最後に、私たちの考え

今回のDeepSeek Super-agentで最も注目したいのは、エージェントに目を引く名前を付けたことではありません。これまで十分に考えられてこなかった問題に、正面から取り組んでいることです。AIが本当に私たちの代わりに働き始めたとき、仕事を割り振り、文脈を管理し、異常を見つけ、人が必要なときだけ関われるようにするのは誰なのか。

公式の実験を見ると、「サブエージェントをもっと使ってください」とプロンプトで頼むだけよりも、仕事の分担をシステムの構造に組み込むほうが、安定する可能性は確かにあります。ただし、動作環境が増え、より多くの文脈を処理し、権限管理や復旧の仕組みが複雑になるという代償も見えます。速く動いても、よく間違え、何度も人が確認しなければならないエージェントでは、本当に時間を節約できるとは限りません。

今後、一般ユーザーがAIアシスタントを選ぶときには、「どのモデルを使っているか」を聞く機会は減り、三つの点がより気になるようになると私たちは考えています。仕事は本当に終わったか、間違いを見つけられるか、いくらかかり、人の手間はどのくらい必要だったか。

これは、私たちがAPI Hopの運営でも大切にしたい方向性です。まずモデルの能力、コスト、向いている用途を明確にし、そのうえでモデルとデータのサービスを、本当に役立つ仕事の流れにつなげる。モデルとデータは重要な要素ですが、信頼できるエージェントかどうかは、最終的には確認・評価できる成果で決まります。