Em conversas recentes com nossos clientes sobre o DeepSeek, além das dúvidas sobre os recursos dos modelos e os preços, começou a aparecer uma nova pergunta: afinal, o que é o DeepSeek Super-agent? Ele consegue terminar o trabalho por conta própria, como um assistente de verdade?
O Super-agent não é um novo modelo, nem significa que a DeepSeek lançou um “superassistente” que qualquer pessoa pode usar com um clique. Em 31 de outubro de 2026, a equipe do DeepSeek Harness apresentou uma proposta de arquitetura para agentes de IA que trabalham continuamente e cuidam de várias tarefas ao mesmo tempo, acompanhada de um protótipo de pesquisa de código aberto. O repositório oficial do protótipo da DeepSeek deixa claro que ele serve apenas como referência para pesquisa, não é um produto oficial da DeepSeek e não é recomendado para uso direto em produção.
Por que isso merece atenção? Porque a questão não é “qual o grau de dificuldade das perguntas que a IA consegue responder”, mas algo mais próximo do dia a dia: quando passamos cinco tarefas ao mesmo tempo para a IA, ela consegue terminar tudo de forma organizada, sem que a gente precise ficar cobrando?
1. Afinal, o que é o DeepSeek Super-agent?
Antes, era “você faz um pedido, ela executa uma tarefa”
Uma IA de conversa comum funciona como um consultor sempre disponível: você faz uma pergunta, ela responde. Um agente de IA vai além de responder: pode usar ferramentas, consultar páginas da web, organizar planilhas, alterar código e tentar entregar um resultado completo.
Mas, quando as tarefas se acumulam, começam as dificuldades.
Por exemplo, pedimos à IA que organize informações sobre concorrentes em uma janela, verifique problemas no site em outra e prepare o relatório semanal em uma terceira. Depois de um tempo, ainda precisamos lembrar em que ponto cada janela está, qual tarefa travou e qual precisa de mais informações.
No artigo sobre a arquitetura, a equipe da DeepSeek comenta que, segundo suas observações, uma pessoa costuma conseguir acompanhar de três a cinco conversas ativas ao mesmo tempo. Isso não quer dizer que esse limite valha para todo mundo, mas dividir a atenção entre várias tarefas aumenta o esforço mental. O problema é bem prático: a IA pode iniciar muitas tarefas ao mesmo tempo, mas nossa atenção é limitada e dificulta esse acompanhamento.
“Um coordenador, vários executores”: só quero que a IA resolva o trabalho
A ideia do Super-agent fica mais fácil de entender se pensarmos em uma pequena equipe:
- Router (coordenador de tarefas): lembra o que pedimos, recebe novas mensagens e distribui o trabalho, sem executar as tarefas diretamente.
- Worker (executor): cada executor tem sua própria tarefa e seu histórico de trabalho. Vários podem trabalhar ao mesmo tempo e depois apresentar o resultado ao coordenador.
- Acionamento por eventos: quando alguém faz uma pergunta no grupo, surge um comentário no GitHub ou um teste automático falha, o sistema pode decidir se precisa agir.
- Watchdog (supervisor de plantão): observa se alguma tarefa travou ou saiu do rumo e, quando necessário, pede ao sistema que volte a tratar o problema.
Para nós, o mais interessante dessa arquitetura não é “ter mais alguns agentes de IA”, mas a intenção de permitir que o usuário não precise se preocupar com quantas conversas a IA abriu nos bastidores.
A DeepSeek resume a proposta em quatro objetivos: manter o contexto de forma contínua, executar várias tarefas em paralelo, reagir às mudanças no ambiente por iniciativa própria e funcionar por longos períodos, recuperando-se de falhas.
2. Isso realmente torna o trabalho mais rápido?
Vamos olhar o que a equipe testou. O experimento usou um ambiente de trabalho simulado: cada rodada tinha cerca de 300 eventos de conversas em grupo e do GitHub, dos quais aproximadamente 20 eram pedidos reais de trabalho. Cada configuração foi executada cinco vezes. Para analisar separadamente a coordenação das tarefas, o trabalho de programação foi simulado por uma ferramenta que apenas consumia tempo.
O teste avaliou como distribuir, receber e concluir várias tarefas.
| Arquitetura | Tempo por tarefa P50 | Tempo por tarefa P95 | Tokens lidos do cache por rodada do experimento |
|---|---|---|---|
| Super-agent (arquitetura completa) | 12.4 minutos | 15.7 minutos | Cerca de 23,200,000 |
| Super-agent (sem encaminhamento direto de eventos) | 12.6 minutos | 15.5 minutos | Cerca de 31,800,000 |
| Sessão única + Subagent (instrução comum) | 20.4 minutos | 29.5 minutos | Cerca de 6,100,000 |
| Sessão única + Subagent (instrução para priorizar a delegação) | 13.8 minutos | 29.0 minutos | Cerca de 10,800,000 |
A tabela nos chamou a atenção por três motivos:
Primeiro: com muitas tarefas, a consistência pode importar mais do que a velocidade em um caso isolado. O P95 do Super-agent completo foi de 15,7 minutos, contra 29,5 minutos da configuração comum com uma única sessão. O tempo de conclusão na ponta mais lenta caiu cerca de 47%.
Segundo: dizer à IA para “tentar delegar as tarefas a subassistentes” não basta. Nesse conjunto de experimentos, com a instrução comum, o modelo não chamou nenhum Subagent nas cinco execuções. Ao receber a instrução para priorizar a delegação, delegou tarefas em quatro das cinco execuções, mas o P95 continuou em 29,0 minutos.
Terceiro: mais rápido nem sempre é mais barato. Em uma rodada, o Super-agent completo leu cerca de 23,2 milhões de tokens do cache, enquanto a configuração comum com uma única sessão leu aproximadamente 6,1 milhões. Ele usou mais recursos para processar contexto em troca de um tempo de conclusão mais previsível. Por outro lado, o encaminhamento direto de eventos reduziu as leituras do cache de cerca de 31,8 milhões para 23,2 milhões, mostrando que a arquitetura do sistema também influencia o consumo de recursos.
3. Qual a diferença em relação a Manus, Genspark, OpenClaw e ChatGPT Work?
“Super Agent” pode parecer o nome de uma categoria única de produtos, mas não é bem assim. Alguns produtos já oferecem a execução de tarefas como um serviço pronto para qualquer pessoa usar. Outros fornecem uma estrutura básica que você mesmo pode instalar e adaptar.
| Produto ou solução | Qual problema busca resolver? | Para quem faz mais sentido? | Dificuldade para começar |
|---|---|---|---|
| Protótipo DeepSeek Super-agent | Receber eventos continuamente, distribuir tarefas e coordenar várias sessões de execução; o protótipo atual se concentra em fluxos de trabalho no GitHub | Desenvolvedores e equipes que pesquisam sistemas de agentes | Alta: exige configuração e manutenção por conta própria |
| Genspark Super Agent | Transformar tarefas de várias etapas, como pesquisa, documentos, planilhas e design, em entregas prontas | Usuários comuns que querem resultados sem muita configuração | Baixa: é um produto pronto para usar |
| Manus | Permitir que a IA use um computador na nuvem para trabalhar com páginas da web, arquivos, aplicativos e tarefas agendadas | Pessoas que trabalham com pesquisa, operações e atividades de escritório | Baixa a média: depende da tarefa e das permissões de conexão |
| OpenClaw | Manter um assistente em funcionamento no seu próprio dispositivo ou servidor, acessível por aplicativos de mensagens | Quem prefere controlar seus próprios dados e ferramentas | Alta: exige instalação, configuração e manutenção |
| ChatGPT Work | Fazer pesquisas e análises e produzir entregas usando sites, arquivos e aplicativos | Quem precisa realizar tarefas complexas de escritório | Baixa: é um produto hospedado, com recursos que variam conforme a conta |
Genspark Super Agent: um assistente que entrega o trabalho pronto
Ele pode dividir um pedido em várias etapas, usar ferramentas e entregar uma pesquisa, apresentação, análise de dados ou outros arquivos. A nova versão do Super Agent também permite executar tarefas na nuvem, salvar processos como Skills reutilizáveis e avançar em várias tarefas em paralelo.
Se queremos “reunir informações sobre dez empresas e montar uma apresentação bem organizada”, esse tipo de agente pronto para usar é mais fácil de entender: não precisamos estudar Router e Worker antes de começar. Basta dizer o que queremos receber.
Manus: mais foco em transformar o pedido em ações concretas
Ele oferece pesquisa na web, conexão com aplicativos, automação e um computador na nuvem. A explicação oficial sobre o computador na nuvem também informa que o ambiente persistente pode conservar arquivos e ferramentas instaladas, sendo adequado para executar scripts, bots e tarefas recorrentes.
Para um usuário comum, entendemos a proposta como “dar à IA um computador no qual ela possa trabalhar”. Se a tarefa envolve abrir páginas, lidar com arquivos e verificar mudanças periodicamente, o posicionamento do Manus é bastante direto.
OpenClaw: para quem quer manter seu próprio assistente de IA sempre disponível
Nós o entendemos como um gateway de agentes que pode ser hospedado por conta própria. Ele se conecta a canais de conversa como Telegram, WhatsApp e Slack, além de oferecer tarefas agendadas, uso de ferramentas e encaminhamento de tarefas entre vários agentes.
Se a ideia é “mandar uma mensagem no aplicativo de conversa e deixar meu servidor cuidar do trabalho”, vale conhecer o OpenClaw. Em troca, você assume a responsabilidade pela instalação, pelas permissões de segurança, pelos custos dos modelos e pela manutenção diária. Assim como no DeepSeek Super-agent, além dos recursos do agente, é preciso considerar o que será necessário para hospedá-lo por conta própria.
ChatGPT Work: tarefas complexas de escritório nas mãos de um agente na nuvem
Ele pode buscar informações em sites e aplicativos conectados, analisar dados e criar entregas como planilhas e apresentações. É mais uma opção para quem não quer montar um serviço por conta própria.
Para nós, ele se aproxima do Genspark e do Manus como um “produto de trabalho pronto para usar”, enquanto o protótipo DeepSeek Super-agent é mais um “exemplo para desenvolvedores estudarem como construir um sistema desse tipo”. Não se trata de um ser superior ao outro: eles ocupam camadas diferentes do produto.
4. Como fazemos nossa escolha?
Começamos com três cenários:
- Pesquisar informações: “Busque as descrições mais recentes dos serviços de três sites públicos e monte uma tabela comparativa dos recursos. Inclua a fonte original de cada conclusão importante e indique o que não for certo.”
- Criar arquivos: “Com base nas cinco páginas de informações do produto fornecidas, prepare uma apresentação de oito páginas para novos usuários. Não invente números de clientes nem dados de vendas.”
- Executar uma tarefa contínua: “Verifique uma vez por semana se o preço mudou na página indicada. Avise apenas quando houver uma mudança real e guarde o registro da comparação.”
Na avaliação, dividimos a tarefa em critérios claros e mensuráveis, em vez de dizer apenas “ele é inteligente” com base em uma impressão:
| Critério | Como registramos |
|---|---|
| Taxa de conclusão | De 10 critérios de aceitação, quantos foram realmente atendidos |
| Intervenção humana | Quantas vezes precisamos explicar de novo, clicar ou corrigir algo durante o processo |
| Tempo de entrega | Quanto tempo passou entre o pedido e um resultado que pudesse ser aceito |
| Confiabilidade das fontes | De 5 conclusões importantes verificadas por amostragem, quantas são sustentadas pelas páginas originais |
| Custo | Créditos, cota de uso ou despesas de API efetivamente consumidos |
Repetimos a mesma tarefa pelo menos três vezes e comparamos a variação dos resultados. Um cuidado importante: na terceira tarefa, que é contínua, é preciso esperar de verdade pelo acionamento e verificar a capacidade de recuperação. Não basta o agente responder “configurado com sucesso”. Protótipos de pesquisa e produtos prontos também podem ter formas diferentes de integração. O que não puder ser executado deve ser marcado como “não adaptado”, em vez de ser tratado como uma deficiência do modelo.
Esse é o método que usamos. Quem tiver interesse pode experimentá-lo.
5. Como um usuário comum pode experimentar essa proposta da DeepSeek hoje?
Separamos três coisas: “testar os modelos da DeepSeek”, “testar as ferramentas de agentes da DeepSeek” e “instalar o protótipo Super-agent”.
Se você só quer ver se o DeepSeek ajuda a escrever e analisar informações, pode começar pelo teste online do DeepSeek V4 Flash que oferecemos. Use uma pergunta simples, cuja resposta possa ser conferida, para avaliar a qualidade do resultado. Não é preciso instalar um sistema completo de agentes logo de início.
Se você quer usar um agente para realizar mais ações, confira a prévia pública oficial do DeepSeek Harness. Ela foi pensada para trabalhar com documentos, planilhas, pesquisa e código.
Se você quer estudar como um agente com várias tarefas funciona por dentro, consulte o dsh-superagent-prototype e as instruções de instalação. O protótipo público atual funciona principalmente em torno de um repositório do GitHub. Recomendamos começar com as permissões mínimas necessárias e não deixar código de pesquisa alterar automaticamente projetos críticos em produção.
6. Qual é, afinal, a relação entre os modelos da DeepSeek e o Super-agent?
É algo que sempre explicamos aos clientes: o modelo fornece a capacidade de compreensão e raciocínio; o sistema de agentes cuida de receber tarefas continuamente, chamar ferramentas, executar etapas, salvar o estado do trabalho e entregar os resultados.
Por exemplo, um “assistente semanal de novidades dos concorrentes” pode funcionar assim: primeiro, o programa coleta o conteúdo novo de páginas públicas; depois, o modelo identifica as mudanças; por fim, o sistema salva os registros e envia um resumo revisado. O modelo interpreta o conteúdo. A execução agendada, a coleta de páginas, o controle de permissões e as notificações não aparecem automaticamente só porque você trocou de modelo.
A API Hop oferece atualmente acesso unificado a vários modelos e APIs de dados. Desenvolvedores podem usar as APIs do DeepSeek V4 Flash ou do DeepSeek V4 Pro para dar capacidade de compreensão de linguagem e raciocínio aos agentes que criam. O agendamento de tarefas, a execução de ferramentas e a memória de longo prazo ainda precisam ser implementados pelo framework escolhido ou pelo sistema da empresa.
A capacidade de um modelo também tem suas próprias formas de avaliação. Por exemplo, o histórico oficial de atualizações da API da DeepSeek registra que o V4 Flash, lançado em julho de 2026, obteve a pontuação oficial de 82,7 no Terminal-Bench 2.1. Isso ajuda a avaliar seu desempenho em um teste específico de agentes de programação, mas não prova que “o DeepSeek Super-agent consegue concluir 82,7% das tarefas da vida real”. A pontuação do modelo não deve ser confundida com a taxa de conclusão do sistema inteiro.
7. As dúvidas mais comuns
Dá para baixar o DeepSeek Super-agent e começar a usar?
O que pode ser baixado é o código do protótipo de pesquisa, não um aplicativo pronto para usuários comuns instalarem com um clique. Para usá-lo, é preciso instalar o DeepSeek Harness e suas dependências e configurar pontos de entrada, como o GitHub. Para experimentar primeiro os recursos de agentes da DeepSeek, recomendamos consultar a prévia pública do Harness.
O Super-agent é totalmente gratuito?
O código do protótipo é aberto e usa a licença MIT, mas sua execução ainda pode envolver custos com APIs de modelos, recursos de computação, instalação e manutenção. Código aberto não significa custo zero para manter o sistema funcionando.
Ele pode enviar e-mails, alterar arquivos e enviar código por conta própria?
Isso depende das ferramentas conectadas ao produto ou protótipo, das autorizações concedidas e das regras de execução. Recomendamos exigir confirmação humana para ações como enviar mensagens, fazer pagamentos, excluir arquivos e integrar código. Primeiro, deixe a IA preparar rascunhos e sugestões; depois, amplie as permissões aos poucos.
Qual agente vale a pena testar primeiro?
Começamos pelo tipo de trabalho: para pesquisa e entrega de documentos, vale testar primeiro agentes prontos na nuvem; para manter uma conexão contínua com aplicativos de mensagens, vale estudar o OpenClaw; para entender a arquitetura técnica da coordenação de tarefas em equipe, vale ler o protótipo Super-agent da DeepSeek. Não presuma que todos resolvem o mesmo problema só porque têm “Agent” no nome.
Para terminar, nossa visão
Para nós, o ponto mais interessante do Super-agent da DeepSeek não é dar um nome mais chamativo aos agentes, mas discutir com seriedade uma questão que ficou muito tempo em segundo plano: quando a IA começa de fato a trabalhar por nós, quem organiza as tarefas, gerencia o contexto, identifica problemas e garante que as pessoas só precisem intervir quando necessário?
Os experimentos oficiais indicam que incorporar a divisão de tarefas à arquitetura do sistema pode trazer mais consistência do que depender apenas da instrução “use mais subassistentes”. Mas os custos também aparecem: mais ambientes de execução, mais processamento de contexto e mecanismos mais complexos de permissão e recuperação. Um agente rápido que erra com frequência e exige conferências constantes talvez não economize tempo de verdade.
Acreditamos que, no futuro, ao escolher um assistente de IA, os usuários comuns talvez perguntem cada vez menos “qual modelo você usa?” e se importem mais com três coisas: o trabalho foi realmente concluído, é possível perceber quando algo dá errado e quanto dinheiro e esforço humano foram gastos?
Essa também é a direção que queremos seguir na API Hop: primeiro, explicar com clareza os recursos dos modelos, seus custos e os usos para os quais fazem sentido; depois, integrar modelos e serviços de dados a processos de trabalho realmente úteis. Modelos e dados são uma parte importante, mas um agente confiável precisa, no fim, demonstrar seu valor com resultados que possam ser verificados.