В недавних беседах с клиентами о DeepSeek мы заметили, что помимо возможностей моделей и цен многие стали задавать новый вопрос: что же такое DeepSeek Super-agent? Может ли он сам довести дело до конца, как настоящий помощник?
Super-agent — не новая модель, и DeepSeek не выпустила «суперпомощника», которым каждый может начать пользоваться одним нажатием. 31 октября 2026 года команда DeepSeek Harness представила подход к созданию ИИ-агентов, способных работать непрерывно и выполнять несколько задач одновременно, а также опубликовала исследовательский прототип с открытым исходным кодом. В официальном репозитории прототипа DeepSeek отдельно указано: он предназначен только для исследовательских целей, не является официальным продуктом DeepSeek и не рекомендуется для непосредственного использования в рабочих системах.
Почему это заслуживает внимания? Здесь речь не о том, «насколько сложные вопросы способен решать ИИ», а о чём-то более близком к повседневной жизни: если поручить ИИ пять дел сразу, сможет ли он спокойно выполнить их все, без постоянных напоминаний с нашей стороны?
1. Что же такое DeepSeek Super-agent?
Раньше было так: «Один запрос — одна задача»
Обычный ИИ в чате похож на консультанта, к которому можно обратиться в любой момент: вы задаёте вопрос, он отвечает. ИИ-агент идёт дальше: он может не только отвечать, но и вызывать инструменты, просматривать сайты, приводить в порядок таблицы и менять код, стараясь получить законченный результат.
Но чем больше задач, тем сложнее становится работа.
Например, в одном окне мы просим ИИ собрать сведения о конкурентах, в другом — проверить сайт на ошибки, а в третьем — подготовить недельный отчёт. Через некоторое время уже приходится самим помнить, на каком этапе находится каждый разговор, где работа застопорилась и где нужны дополнительные сведения.
В статье о своём подходе команда DeepSeek отмечает, что, по её наблюдениям, человек обычно может одновременно следить за тремя–пятью активными диалогами. Это, конечно, не означает, что у всех одинаковый предел. Но несколько задач одновременно требуют больше внимания. Отсюда практическая проблема: ИИ может начать много задач сразу, а внимание человека ограничено, и следить за всеми трудно.
«Один координатор, несколько исполнителей»: хочется просто поручить ИИ работу
Замысел Super-agent проще понять, если представить небольшую команду:
- Router (координатор задач): помнит наши поручения, принимает новые сообщения и распределяет работу, но сам не погружается в её выполнение.
- Worker (исполнитель): у каждого исполнителя своя задача и своя история работы. Они могут заниматься разными делами одновременно, а после завершения отчитываться координатору.
- Запуск по событиям: если кто-то задал вопрос в групповом чате, на GitHub появился новый комментарий или автоматический тест завершился с ошибкой, система может решить, нужно ли отреагировать.
- Watchdog (дежурный контролёр): следит, не застряла ли задача и не отклонилась ли работа от цели, и при необходимости побуждает систему разобраться с проблемой.
На наш взгляд, самое интересное здесь не в том, что «появилось ещё несколько ИИ-агентов», а в стремлении избавить пользователя от необходимости думать о том, сколько диалогов ИИ ведёт за кулисами.
DeepSeek описывает четыре цели: непрерывно сохранять контекст, выполнять несколько задач параллельно, самостоятельно реагировать на изменения вокруг и долго работать с восстановлением после сбоев.
2. Правда ли это быстрее?
Посмотрим, что именно проверяла команда. Эксперимент проходил в смоделированной рабочей среде: в каждом прогоне было около 300 событий из группового чата и GitHub, из которых примерно 20 представляли собой реальные рабочие запросы. Каждый вариант запускали пять раз. Чтобы отдельно изучить распределение задач, программирование заменили инструментом, который просто затрачивал время.
Проверяли то, как система распределяет, принимает и завершает несколько задач.
| Вариант системы | Время выполнения P50 | Время выполнения P95 | Токены, прочитанные из кеша за один прогон |
|---|---|---|---|
| Super-agent (полная архитектура) | 12.4 мин | 15.7 мин | Около 23,200,000 |
| Super-agent (без прямой передачи событий) | 12.6 мин | 15.5 мин | Около 31,800,000 |
| Один диалог + Subagent (обычная инструкция) | 20.4 мин | 29.5 мин | Около 6,100,000 |
| Один диалог + Subagent (инструкция с приоритетом делегирования) | 13.8 мин | 29.0 мин | Около 10,800,000 |
В этой таблице нам показались интересными три момента:
Во-первых, когда задач много, стабильность может быть важнее скорости отдельного выполнения. У полного Super-agent показатель P95 составил 15,7 минуты, а у обычного варианта с одним диалогом — 29,5 минуты. Время завершения в медленной части распределения сократилось примерно на 47%.
Во-вторых, одной просьбы «по возможности передавать задачи вспомогательным агентам» недостаточно. В этом эксперименте с обычной инструкцией модель ни разу за пять прогонов не вызвала Subagent. После перехода к инструкции с приоритетом делегирования она передавала задачи в четырёх прогонах из пяти, но P95 всё равно составил 29,0 минуты.
В-третьих, быстрее не обязательно значит дешевле. Полный Super-agent за один прогон прочитал из кеша около 23,2 млн токенов, а обычный вариант с одним диалогом — около 6,1 млн. Более предсказуемое время выполнения потребовало больше ресурсов на обработку контекста. При этом механизм прямой передачи событий снизил объём чтения из кеша примерно с 31,8 млн до 23,2 млн токенов. Значит, архитектура системы тоже влияет на расходы.
3. Чем он отличается от Manus, Genspark, OpenClaw и ChatGPT Work?
Название «Super Agent» звучит как единая категория продуктов, но на деле это не так. Одни продукты уже превратили выполнение задач в сервис, которым может пользоваться обычный человек. Другие предлагают основу, которую можно самостоятельно развернуть и доработать.
| Продукт или подход | Какую задачу он в основном решает? | Кому больше подходит? | Порог входа |
|---|---|---|---|
| Прототип DeepSeek Super-agent | Постоянно принимает события, распределяет задачи и координирует несколько рабочих диалогов; нынешний прототип в основном ориентирован на процессы в GitHub | Разработчикам и командам, изучающим системы ИИ-агентов | Высокий: нужны самостоятельная настройка и обслуживание |
| Genspark Super Agent | Доводит многошаговые задачи до готового результата: исследования, документы, таблицы, дизайн | Обычным пользователям, которым нужен результат без долгой настройки | Низкий: готовый продукт |
| Manus | Даёт ИИ облачный компьютер для работы с сайтами, файлами, приложениями и задачами по расписанию | Тем, кто занимается исследованиями, операционной работой и повседневными офисными задачами | От низкого до среднего: зависит от задачи и разрешений на подключение |
| OpenClaw | Запускает на вашем устройстве или сервере постоянно работающего помощника, доступного через мессенджеры | Тем, кто хочет сам контролировать данные и инструменты | Высокий: нужны установка, настройка и обслуживание |
| ChatGPT Work | Выполняет исследования, анализ и подготовку материалов, работая с сайтами, файлами и приложениями | Тем, кому нужно решать сложные офисные задачи | Низкий: облачный продукт, возможности зависят от аккаунта |
Genspark Super Agent: помощник, который приносит готовую работу
Он может разбить короткий запрос на несколько шагов, вызвать инструменты и в итоге подготовить исследование, презентацию, анализ данных или другие файлы. Новая версия Super Agent также поддерживает выполнение задач в облачной среде, сохранение процессов в виде повторно используемых Skill и параллельную работу над несколькими задачами.
Если нам нужно «собрать сведения о десяти компаниях и сделать из них приличную презентацию», такой агент с готовым результатом проще понять: не нужно сначала разбираться в устройстве Router и Worker, достаточно сказать, что требуется на выходе.
Manus: больше внимания переходу от задачи к конкретным действиям
У него есть возможности для изучения сайтов, подключения приложений, автоматизации и работы на облачном компьютере. В официальном описании облачного компьютера также сказано, что постоянная облачная среда сохраняет файлы и установленные инструменты и подходит для запуска скриптов, ботов и повторяющихся задач.
Обычному пользователю мы бы объяснили это так: «Дайте ИИ компьютер, на котором можно работать». Если задача требует открывать сайты, обрабатывать файлы и регулярно проверять изменения, назначение Manus довольно понятно.
OpenClaw: для тех, кто хочет собственного постоянно доступного ИИ-помощника
Мы рассматриваем его как шлюз для агентов, который можно разместить у себя. Он подключается к Telegram, WhatsApp, Slack и другим каналам общения, а также поддерживает задачи по расписанию, вызов инструментов и распределение запросов между несколькими агентами.
Если хочется «написать сообщение в мессенджере, чтобы наш сервер всё обработал», OpenClaw стоит изучить. Но развёртывание, безопасность и права доступа, расходы на модели и повседневное обслуживание придётся взять на себя. Как и в случае с DeepSeek Super-agent, здесь стоит учитывать не только возможности агента, но и требования к самостоятельному развёртыванию.
ChatGPT Work: сложные офисные задачи для облачного агента
Он может собирать сведения на сайтах и в подключённых приложениях, анализировать данные и создавать таблицы, слайды и другие готовые материалы. Для тех, кто не хочет самостоятельно настраивать сервисы, это тоже вариант.
На наш взгляд, он, как Genspark и Manus, ближе к «готовому инструменту для работы», а прототип DeepSeek Super-agent — к «примеру, на котором разработчики изучают, как построить такую систему». Это не деление на лучшие и худшие решения: они просто находятся на разных уровнях готовности продукта.
4. Как выбираем мы?
Для начала мы выбрали три сценария:
- Сбор информации: «Найди актуальные описания услуг на трёх общедоступных сайтах, составь таблицу сравнения функций, добавь первоисточник к каждому ключевому выводу и отметь всё, в чём нет уверенности».
- Подготовка файлов: «На основе предоставленных пяти страниц материалов о продукте подготовь презентацию из восьми слайдов для новых пользователей. Не выдумывай число клиентов и данные о продажах».
- Постоянная задача: «Раз в неделю проверяй изменения цен на указанной странице. Уведомляй нас только при реальном изменении и сохраняй историю сравнения».
При оценке мы разбиваем задачу на понятные измеримые показатели, а не просто говорим по ощущениям: «Он очень умный».
| Показатель | Как мы его фиксируем |
|---|---|
| Доля выполненного | Сколько из 10 критериев приёмки действительно выполнено |
| Участие человека | Сколько раз нам пришлось заново объяснять задачу, что-то нажимать или исправлять |
| Время до результата | Сколько времени прошло от постановки задачи до результата, который можно принять |
| Надёжность источников | Сколько из 5 проверенных ключевых выводов подтверждается исходными страницами |
| Стоимость | Фактически потраченные баллы, квоты или плата за API |
Каждую задачу стоит повторить хотя бы три раза, а затем сравнить разброс результатов. Важный момент: в третьем сценарии нужно действительно дождаться запуска по условию и проверить восстановление после сбоев. Недостаточно увидеть ответ агента «Всё настроено». У исследовательского прототипа и готовых продуктов могут различаться способы подключения. То, что запустить не удалось, нужно помечать как «не адаптировано», а не считать признаком слабых возможностей модели.
Мы сами пользуемся этим подходом. Его можно попробовать и в своей работе.
5. Как обычному пользователю попробовать подход DeepSeek сейчас?
Мы разделяем три разные вещи: «попробовать модель DeepSeek», «попробовать инструменты DeepSeek для агентов» и «развернуть прототип Super-agent».
Если хочется просто проверить, поможет ли DeepSeek писать тексты и разбирать материалы, можно начать с нашего онлайн-доступа к DeepSeek V4 Flash. Сначала оцените качество ответа на простом вопросе, который легко проверить. Разворачивать целую систему агентов с самого начала необязательно.
Если хочется поручать агенту больше действий, посмотрите официальную открытую предварительную версию DeepSeek Harness. Она предназначена для работы с документами, таблицами, исследованиями и кодом.
Если хочется изучить внутреннее устройство многозадачного агента, обратитесь к dsh-superagent-prototype и инструкции по развёртыванию. Открытый прототип сейчас в основном работает вокруг одного репозитория GitHub. Мы советуем начинать с минимальных прав и не давать исследовательскому коду сразу автоматически менять важные рабочие проекты.
6. Как связаны модели DeepSeek и Super-agent?
Мы постоянно объясняем клиентам: модель обеспечивает понимание и рассуждение, а система агента отвечает за непрерывное получение задач, вызов инструментов, выполнение шагов, сохранение состояния и выдачу результата.
Например, «еженедельный помощник по новостям конкурентов» может работать так: программа сначала собирает новые материалы с открытых сайтов, затем модель выделяет изменения, а система сохраняет записи и отправляет проверенную сводку. Модель отвечает за понимание содержания. Выполнение по расписанию, сбор страниц, контроль доступа и уведомления не появляются автоматически при смене модели.
API Hop сейчас предоставляет единый доступ к разным моделям и API данных. Разработчики могут через API DeepSeek V4 Flash или DeepSeek V4 Pro дать собственному агенту способности к пониманию языка и рассуждению. Распределение задач, выполнение инструментов и долговременную память по-прежнему должен обеспечивать выбранный фреймворк или прикладная система.
Возможности модели оценивают и отдельно. Например, в официальном журнале обновлений DeepSeek API указано, что вышедшая в июле 2026 года V4 Flash получила официальный результат 82,7 в Terminal-Bench 2.1. Это помогает судить о её возможностях в конкретном тесте агентов для работы с кодом, но не доказывает, что «DeepSeek Super-agent способен выполнить 82,7% задач из реальной жизни». Оценку модели нельзя смешивать с долей успешно выполненных задач всей системы.
7. Вопросы, которые волнуют пользователей больше всего
Можно ли просто скачать DeepSeek Super-agent и начать пользоваться?
Скачать можно код исследовательского прототипа, а не готовое приложение для обычного пользователя с установкой одним нажатием. Для работы нужно развернуть DeepSeek Harness и необходимые зависимости, настроить GitHub и другие точки входа. Если хочется сначала познакомиться с возможностями агентов DeepSeek, мы скорее рекомендуем открытую предварительную версию Harness.
Super-agent полностью бесплатный?
Код прототипа открыт по лицензии MIT, но для работы могут потребоваться платные API моделей, вычислительные ресурсы, развёртывание и обслуживание. Открытый код не означает, что длительная работа ничего не стоит.
Может ли он сам отправлять письма, менять файлы и отправлять код?
Это зависит от инструментов, подключённых к конкретному продукту или прототипу, выданных разрешений и правил работы. Для отправки писем, платежей, удаления файлов, слияния кода и подобных действий мы рекомендуем установить обязательное подтверждение человеком. Сначала поручайте ИИ черновики и предложения, а затем постепенно расширяйте права.
Какого агента стоит попробовать первым?
Мы начинаем с самой работы: для исследований и подготовки документов стоит сначала попробовать готового облачного агента; для постоянного подключения к мессенджерам — изучить OpenClaw; для понимания технической архитектуры распределения задач в команде — прочитать материалы о прототипе DeepSeek Super-agent. Слово «агент» в названии ещё не означает, что все они решают одну и ту же задачу.
В заключение: наш взгляд
На наш взгляд, самое заметное в Super-agent от DeepSeek — не более громкое название для агента, а серьёзное обсуждение вопроса, которому долго не уделяли достаточно внимания: когда ИИ действительно начинает работать за нас, кто распределяет задачи, управляет контекстом, замечает сбои и делает так, чтобы человек подключался только при необходимости?
Судя по официальному эксперименту, распределение работы на уровне архитектуры действительно может дать более стабильный результат, чем одна инструкция «почаще используйте вспомогательных агентов». Но мы видим и цену: больше рабочих сред, больше обработки контекста, сложнее управление правами и восстановление после сбоев. Агент, который работает быстро, но часто ошибается и требует постоянных перепроверок, не обязательно экономит время.
Мы предполагаем, что в будущем при выборе ИИ-помощника обычные пользователи будут всё реже спрашивать «какую модель вы используете» и всё больше интересоваться тремя вещами: завершена ли работа на самом деле, можно ли обнаружить ошибку и сколько денег и человеческих усилий это потребовало.
Этого подхода мы хотим придерживаться и в API Hop: сначала ясно объяснять возможности моделей, стоимость и подходящие сценарии, а затем включать модели и сервисы данных в действительно полезные рабочие процессы. Модели и данные важны, но надёжность агента в итоге подтверждается результатом, который можно проверить и принять.