DeepSeek Super-agent란? Manus, Genspark, OpenClaw와 어떻게 다를까?

최근 고객들과 DeepSeek에 관해 이야기하다 보면 모델 성능이나 가격 외에 새로운 질문을 자주 듣습니다. DeepSeek Super-agent는 대체 무엇인가요? 진짜 비서처럼 알아서 일을 끝낼 수 있나요?

Super-agent는 새로운 모델이 아닙니다. DeepSeek가 누구나 클릭 한 번으로 쓸 수 있는 ‘슈퍼 비서’를 출시한 것도 아닙니다. 2026년 10월 31일, DeepSeek Harness 팀이 공개한 것은 AI 에이전트가 지속적으로 일하면서 여러 작업을 동시에 처리하게 하는 설계 방식과 오픈 소스 연구 원형입니다. DeepSeek 공식 원형 저장소에도 연구 참고용일 뿐 정식 DeepSeek 제품이 아니며, 실제 운영 시스템에 바로 사용하는 것은 권장하지 않는다고 명시되어 있습니다.

그렇다면 왜 주목할 만할까요? 이 설계는 ‘AI가 얼마나 어려운 질문에 답할 수 있는가’보다 일상에 더 가까운 문제를 다루기 때문입니다. AI에게 한꺼번에 다섯 가지 일을 맡겨도 우리가 계속 재촉하지 않고 차근차근 끝내게 할 수 있을까요?

1. DeepSeek Super-agent는 정확히 무엇일까?

지금까지는 ‘한 번 요청하면 한 가지 일을 하는’ 방식

일반적인 대화형 AI는 언제든 부를 수 있는 상담사와 비슷합니다. 질문을 보내면 답을 줍니다. 한 단계 더 나아간 AI 에이전트는 답변만 하는 것이 아니라 도구를 사용하고, 웹페이지를 찾아보고, 표를 정리하고, 코드를 수정하며 하나의 완성된 결과를 내놓으려 합니다.

하지만 작업이 많아지면 문제가 생깁니다.

예를 들어 한 창에서는 경쟁사 자료를 정리시키고, 다른 창에서는 웹사이트의 문제를 점검시키고, 세 번째 창에서는 주간 보고서를 준비시킨다고 해 봅시다. 조금 지나면 각 창의 작업이 어디까지 진행됐는지, 무엇이 막혔는지, 어디에 정보를 더 줘야 하는지 결국 우리가 직접 기억해야 합니다.

DeepSeek 팀은 설계 글에서 자신들이 관찰한 바로는 한 사람이 보통 동시에 진행 중인 대화 세 개에서 다섯 개 정도를 따라갈 수 있다고 설명했습니다. 물론 모든 사람의 한계가 이 숫자라는 뜻은 아닙니다. 다만 여러 작업을 동시에 신경 쓰면 정신적인 부담이 커집니다. AI는 많은 일을 동시에 시작할 수 있지만, 사람의 주의력에는 한계가 있어 모두 따라가기 어렵다는 현실적인 문제가 있는 것입니다.

‘총괄 담당자 하나와 여러 실행 담당자’, 우리가 원하는 것은 일을 끝내 주는 AI

Super-agent의 구상은 작은 팀에 빗대면 이해하기 쉽습니다.

• Router(작업 총괄): 우리가 부탁한 내용을 기억하고 새 메시지를 받아 일을 나눠 줍니다. 직접 개별 작업에 매달리지는 않습니다.
• Worker(실행 담당자): 각자 맡은 작업과 작업 기록을 가지고 서로 다른 일을 동시에 진행한 뒤 총괄 담당자에게 결과를 보고합니다.
• 이벤트에 따른 작업 시작: 단체 채팅에 질문이 올라오거나, GitHub에 새 댓글이 달리거나, 자동 테스트가 실패하면 시스템이 후속 조치가 필요한지 판단할 수 있습니다.
• Watchdog(상태 점검 담당자): 작업이 멈췄거나 방향을 벗어나지 않았는지 살피고 필요하면 시스템이 다시 처리하도록 합니다.

저희가 이 설계에서 가장 흥미롭게 본 점은 ‘AI 에이전트가 몇 개 더 늘었다’는 것이 아닙니다. 사용자가 AI 뒤에서 대화 창이 몇 개나 열려 있는지 신경 쓰지 않아도 되게 하려는 것입니다.

DeepSeek는 목표를 네 가지로 정리했습니다. 맥락을 계속 유지하고, 여러 작업을 병렬로 진행하고, 주변 환경의 변화에 능동적으로 대응하며, 오래 실행하면서 문제 발생 시 복구하는 것입니다.

2. 실제로 더 빨라질까?

팀이 무엇을 측정했는지 살펴보겠습니다. 이번 실험은 모의 작업 환경에서 진행했습니다. 매회 단체 채팅과 GitHub 이벤트 약 300건을 넣었으며, 그중 실제 작업 요청은 약 20건이었습니다. 각 방식을 다섯 번씩 반복했습니다. ‘작업 배분’만 따로 분석하기 위해 실험 속 코딩 작업은 일정 시간만 소모하는 도구로 대신했습니다.

측정한 것은 여러 작업을 어떻게 배분하고, 받아들이고, 완료하는가였습니다.

표에서 눈에 띄는 점은 세 가지입니다.

첫째, 작업이 많을 때는 한 번의 처리 속도보다 안정성이 더 중요할 수 있습니다. 전체 Super-agent의 P95는 15.7분으로, 일반적인 단일 대화 방식의 29.5분과 비교하면 오래 걸리는 쪽의 작업 완료 시간이 약 47% 짧아졌습니다.

둘째, AI에게 ‘되도록 하위 에이전트에게 일을 맡겨라’라고 말하는 것만으로는 부족합니다. 이 실험에서 일반 지시문을 사용했을 때 모델은 다섯 번 모두 Subagent를 호출하지 않았습니다. ‘위임 우선’ 지시문으로 바꾸자 다섯 번 중 네 번은 작업을 위임했지만, P95는 여전히 29.0분이었습니다.

셋째, 빠르다고 반드시 저렴하지는 않습니다. 전체 Super-agent의 실험 1회당 캐시 읽기 토큰은 약 2320만 개였고, 일반적인 단일 대화 방식은 약 610만 개였습니다. 더 많은 맥락 처리 자원을 사용해 완료 시간을 예측하기 쉽게 만든 셈입니다. 한편 이벤트를 직접 전달하는 장치는 캐시 읽기 토큰을 약 3180만 개에서 2320만 개로 줄였습니다. 시스템 설계 역시 자원 사용량에 영향을 준다는 뜻입니다.

3. Manus, Genspark, OpenClaw, ChatGPT Work와는 어떻게 다를까?

‘Super Agent’라는 이름은 하나의 통일된 제품군처럼 들리지만 실제로는 그렇지 않습니다. 어떤 제품은 일반 사용자가 바로 쓸 수 있는 작업 수행 서비스를 제공하고, 어떤 것은 직접 설치하고 수정할 수 있는 기본 틀을 제공합니다.

Genspark Super Agent: 결과물까지 내놓는 비서에 가깝다

한 문장으로 전달한 요구를 여러 단계로 나누고 도구를 사용해 조사 결과, 프레젠테이션, 데이터 분석 또는 다른 파일을 만들어 줍니다. 새 버전의 Super Agent는 클라우드 환경에서 작업을 실행하고, 작업 절차를 재사용 가능한 Skill로 저장하고, 여러 작업을 병렬로 진행하는 기능도 지원합니다.

원하는 결과가 ‘회사 열 곳의 자료를 정리해서 보기 좋은 프레젠테이션으로 만들어 줘’라면 이런 완성형 에이전트가 이해하기 쉽습니다. 내부의 Router나 Worker부터 공부할 필요 없이 어떤 결과물이 필요한지 바로 말하면 됩니다.

Manus: 맡은 일을 실제 조작으로 이어 가는 데 중점

웹 조사, 앱 연결, 자동화, 클라우드 컴퓨터 등의 기능을 갖추고 있습니다. 공식 클라우드 컴퓨터 안내에서도 지속적으로 실행되는 클라우드 환경에 파일과 설치한 도구를 보관할 수 있어 스크립트, 봇, 반복 작업을 실행하기에 적합하다고 설명합니다.

일반 사용자 입장에서는 ‘AI에게 일할 수 있는 컴퓨터 한 대를 주는 것’으로 이해하면 쉽습니다. 웹페이지 열기, 파일 처리, 주기적인 변화 확인이 필요한 작업이라면 Manus가 지향하는 용도를 바로 이해할 수 있습니다.

OpenClaw: 항상 접속해 있는 AI 비서를 직접 운영하고 싶다면

저희는 OpenClaw를 직접 호스팅할 수 있는 에이전트 게이트웨이로 봅니다. Telegram, WhatsApp, Slack 같은 채팅 채널에 연결할 수 있고, 예약 작업, 도구 사용, 여러 에이전트로의 작업 전달도 지원합니다.

‘채팅 앱으로 메시지를 보내면 내 서버가 처리하게 하고 싶다’면 OpenClaw를 살펴볼 만합니다. 대신 배포, 보안 권한, 모델 비용, 일상적인 유지 관리를 직접 책임져야 합니다. DeepSeek Super-agent와 마찬가지로 에이전트의 기능뿐 아니라 직접 설치하고 운영하는 데 필요한 조건도 살펴봐야 합니다.

ChatGPT Work: 복잡한 사무 작업을 클라우드 에이전트에게 맡기기

웹사이트와 연결된 앱에서 자료를 가져와 데이터를 분석하고, 스프레드시트나 슬라이드 같은 결과물을 만들 수 있습니다. 직접 서비스를 구축하고 싶지 않은 사람에게는 이것도 하나의 선택지입니다.

저희가 보기에 ChatGPT Work는 Genspark, Manus와 함께 ‘바로 쓰는 업무용 제품’에 가깝습니다. 반면 DeepSeek Super-agent 원형은 ‘개발자가 이런 시스템의 구축 방법을 연구하는 예제’에 가깝습니다. 어느 쪽이 더 고급이거나 낮은 수준이라는 뜻이 아니라, 제공하는 제품의 층위가 다르다는 뜻입니다.

4. 저희는 어떻게 선택했을까?

먼저 세 가지 상황을 골랐습니다.

1. 자료 찾기: ‘공개 웹사이트 세 곳에서 최신 서비스 소개를 찾아 기능 비교표를 만들어 주세요. 주요 결론마다 원출처를 붙이고, 확실하지 않은 부분은 표시해 주세요.’
2. 파일 만들기: ‘제공한 다섯 쪽짜리 제품 자료를 바탕으로 신규 사용자를 위한 여덟 장짜리 프레젠테이션을 만들어 주세요. 고객 수나 매출 데이터를 지어내면 안 됩니다.’
3. 지속적인 작업: ‘매주 한 번 지정한 웹페이지의 가격 변화를 확인해 주세요. 실제로 바뀐 경우에만 알려 주고 비교 기록도 남겨 주세요.’

평가할 때는 막연히 ‘똑똑하다’고 느끼는 대신, 작업을 명확히 측정할 수 있는 몇 가지 지표로 나눴습니다.

같은 작업을 최소 세 번 반복한 뒤 결과가 얼마나 달라지는지 비교합니다. 주의할 점이 있습니다. 세 번째인 지속적인 작업은 실제 실행 시점까지 기다리고 복구 능력도 검증해야 합니다. 에이전트가 ‘설정 완료’라고 답했는지만 보면 안 됩니다. 연구 원형과 완성된 제품은 연결 방식이 서로 다를 수도 있습니다. 실행할 수 없는 항목은 ‘연동 미지원’으로 표시해야지, 모델 능력이 부족한 것으로 계산해서는 안 됩니다.

저희가 실제로 쓰는 방법이니 관심 있다면 시도해 보셔도 좋습니다.

5. 일반 사용자는 지금 DeepSeek를 어떻게 체험할 수 있을까?

저희는 ‘DeepSeek 모델 체험’, ‘DeepSeek 에이전트 도구 체험’, ‘Super-agent 원형 배포’를 서로 다른 세 가지 일로 구분합니다.

DeepSeek가 글쓰기나 자료 분석에 도움이 되는지만 보고 싶다면 저희가 제공하는 DeepSeek V4 Flash 온라인 체험부터 시작할 수 있습니다. 간단하고 답을 확인할 수 있는 질문으로 출력 품질을 먼저 살펴보세요. 처음부터 에이전트 시스템 전체를 배포할 필요는 없습니다.

에이전트에게 더 많은 작업을 맡기고 싶다면 DeepSeek Harness 공식 공개 미리보기를 살펴볼 수 있습니다. 문서, 표, 조사, 코드 등의 작업을 대상으로 합니다.

여러 작업을 처리하는 에이전트의 내부 구현을 연구하고 싶다면 그때 dsh-superagent-prototype과 배포 안내를 보시면 됩니다. 현재 공개된 원형은 주로 하나의 GitHub 저장소를 중심으로 동작합니다. 최소한의 권한부터 부여하고, 연구용 코드가 중요한 운영 프로젝트를 곧바로 자동 수정하게 하지는 않는 것이 좋습니다.

6. DeepSeek 모델과 Super-agent는 어떤 관계일까?

저희가 고객들에게 계속 설명하는 부분이기도 합니다. 모델은 이해와 추론 능력을 제공하고, 에이전트 시스템은 모델이 계속 작업을 받아 도구를 사용하고, 단계를 실행하고, 상태를 저장하고, 결과를 전달하도록 합니다.

예를 들어 ‘주간 경쟁사 동향 비서’는 이렇게 동작할 수 있습니다. 프로그램이 먼저 공개 웹페이지의 새 내용을 수집하고, 모델이 변경 사항을 추려 내면, 시스템이 기록을 저장하고 검토를 마친 요약을 보냅니다. 모델은 내용을 이해하는 역할을 합니다. 예약 실행, 웹페이지 수집, 권한 제어, 알림 기능이 모델을 바꿨다는 이유만으로 저절로 생기지는 않습니다.

API Hop은 현재 여러 모델과 데이터 API를 하나의 방식으로 연결할 수 있도록 제공합니다. 개발자는 DeepSeek V4 Flash 또는 DeepSeek V4 Pro API를 통해 직접 만든 에이전트에 언어 이해와 추론 능력을 더할 수 있습니다. 작업 배분, 도구 실행, 장기 기억은 여전히 선택한 프레임워크나 업무 시스템에서 구현해야 합니다.

모델 능력에는 별도의 측정 방법도 있습니다. 예를 들어 DeepSeek API 공식 업데이트 기록에 따르면 2026년 7월 출시된 V4 Flash는 Terminal-Bench 2.1에서 공식 점수 82.7을 받았습니다. 이는 특정 코딩 에이전트 시험에서의 능력을 판단하는 데 도움이 됩니다. 하지만 ‘DeepSeek Super-agent가 현실의 작업을 82.7% 완료할 수 있다’는 증거는 아닙니다. 모델 점수와 전체 시스템의 완료율을 혼동해서는 안 됩니다.

7. 자주 묻는 질문

DeepSeek Super-agent를 바로 다운로드해서 사용할 수 있나요?

다운로드할 수 있는 것은 연구 원형 코드입니다. 일반 사용자가 클릭 한 번으로 설치할 수 있도록 완성된 앱은 아닙니다. 실제로 사용하려면 DeepSeek Harness와 필요한 구성 요소를 설치하고 GitHub 등의 연결 경로를 설정해야 합니다. DeepSeek의 에이전트 기능부터 체험하고 싶다면 Harness 공개 미리보기를 먼저 살펴보는 편을 권합니다.

Super-agent는 완전히 무료인가요?

원형 코드는 MIT 오픈 소스 라이선스로 제공됩니다. 하지만 실행에는 모델 API, 컴퓨팅 자원, 배포와 유지 관리 비용이 들 수 있습니다. 오픈 소스라고 해서 계속 무료로 운영할 수 있다는 뜻은 아닙니다.

스스로 이메일을 보내거나 파일을 수정하거나 코드를 제출할 수 있나요?

해당 제품이나 원형에 어떤 도구가 연결되어 있는지, 어떤 권한을 부여했는지, 실행 규칙을 어떻게 정했는지에 따라 달라집니다. 저희는 메일 발송, 결제, 파일 삭제, 코드 병합 등의 작업은 사람의 확인을 거치도록 설정할 것을 권합니다. 먼저 AI에게 초안과 제안을 만들게 한 뒤 권한을 조금씩 넓혀 가는 방식입니다.

어떤 에이전트를 먼저 써 보는 게 좋을까요?

저희라면 먼저 어떤 일을 할지 보겠습니다. 조사와 문서 제작이라면 완성된 클라우드 에이전트를 먼저 사용해 보고, 채팅 앱에 오래 연결해 두고 싶다면 OpenClaw를 살펴보겠습니다. 팀 단위 작업 배분의 기술 구조를 이해하고 싶다면 DeepSeek의 Super-agent 원형을 읽어 볼 수 있습니다. 이름에 모두 ‘Agent’가 들어간다고 같은 문제를 해결한다고 생각해서는 안 됩니다.

마지막으로, 저희의 생각

이번 DeepSeek Super-agent에서 가장 주목할 부분은 에이전트에 더 거창한 이름을 붙였다는 점이 아니라고 생각합니다. 오랫동안 충분히 다루지 않았던 문제를 진지하게 살펴봤다는 점입니다. AI가 정말 우리 대신 일을 하기 시작하면, 누가 작업을 배분하고, 맥락을 관리하고, 이상을 발견하고, 사람이 꼭 필요할 때만 나서게 할까요?

공식 실험을 보면 작업 분담을 시스템 구조에 반영하는 것이 ‘하위 에이전트를 많이 써 주세요’라는 한마디 지시에만 의존하는 것보다 실제로 더 안정적일 수 있습니다. 하지만 대가도 보입니다. 실행 환경과 맥락 처리가 더 많이 필요하고, 권한 관리와 복구 장치도 더 복잡해집니다. 빨리 움직여도 자주 틀려서 우리가 반복해서 확인해야 하는 에이전트라면 시간을 아껴 준다고 보기 어렵습니다.

앞으로 일반 사용자가 AI 비서를 고를 때는 ‘어떤 모델을 썼나요?’보다 세 가지를 더 중요하게 물을 것 같습니다. 일을 정말 끝냈는지, 잘못했을 때 알아챌 수 있는지, 돈과 사람의 수고가 얼마나 들었는지입니다.

이는 저희가 API Hop을 운영하며 지키고 싶은 방향이기도 합니다. 먼저 모델의 능력, 비용, 적합한 용도를 분명히 설명한 뒤 모델과 데이터 서비스를 실제로 유용한 업무 흐름에 연결하려 합니다. 모델과 데이터는 중요한 요소입니다. 하지만 신뢰할 수 있는 에이전트는 결국 검수 가능한 결과로 말해야 합니다.