Son dönemde müşterilerimizle DeepSeek hakkında konuşurken modelin yetenekleri ve fiyatının yanında yeni bir soruyla karşılaşıyoruz: DeepSeek Super-agent tam olarak nedir? Gerçek bir asistan gibi işleri kendi başına tamamlayabilir mi?
Super-agent yeni bir model değil. DeepSeek, herkesin tek tıkla kullanmaya başlayabileceği bir “süper asistan” da çıkarmış değil. DeepSeek Harness ekibi, 31 Ekim 2026’da yapay zekâ ajanlarının uzun süre çalışmasını ve birden fazla işi aynı anda yürütmesini amaçlayan bir tasarım yaklaşımı ile açık kaynaklı bir araştırma prototipi paylaştı. DeepSeek’in resmî prototip deposu, bunun yalnızca araştırmalar için bir örnek olduğunu, resmî bir DeepSeek ürünü olmadığını ve doğrudan üretim ortamında kullanılmasının önerilmediğini özellikle belirtiyor.
Peki bu neden önemli? Buradaki mesele, yapay zekânın ne kadar zor soruları yanıtlayabildiğinden çok günlük çalışmamıza yakın bir soru: Yapay zekâya aynı anda beş iş verdiğimizde, sürekli hatırlatmamıza gerek kalmadan hepsini düzenli biçimde tamamlayabilir mi?
1. DeepSeek Super-agent tam olarak nedir?
Önceden düzen çoğunlukla “bir istek, bir iş” şeklindeydi
Sıradan bir sohbet yapay zekâsı, ihtiyaç duyduğunuzda başvurabileceğiniz bir danışmana benzer: siz sorarsınız, o yanıtlar. Yapay zekâ ajanı ise bir adım ileri gider. Yanıt vermekle kalmaz; araç kullanabilir, internette araştırma yapabilir, tabloları düzenleyebilir ve kodu değiştirerek tamamlanmış bir sonuç sunmaya çalışabilir.
Ancak işlerin sayısı arttığında zorluklar başlar.
Örneğin bir pencerede yapay zekâdan rakiplerle ilgili bilgi toplamasını, başka bir pencerede web sitesindeki sorunları kontrol etmesini, üçüncü bir pencerede de haftalık rapor hazırlamasını isteyebiliriz. Bir süre sonra hangi görüşmenin nereye geldiğini, hangi işin takıldığını ve hangisinin ek bilgi beklediğini kendimiz takip etmek zorunda kalırız.
DeepSeek ekibi, tasarım yazısında kendi gözlemlerine göre bir kişinin genellikle aynı anda 3–5 etkin görüşmeyi takip edebildiğini söylüyor. Bu, herkes için geçerli kesin bir sınır değil. Yine de birden fazla işe odaklanmak zihinsel yükü artırıyor. Ortada somut bir sorun var: yapay zekâ birçok işi aynı anda başlatabiliyor, fakat insanın dikkati sınırlı ve hepsini birlikte takip etmek zor.
“Bir koordinatör, birden fazla çalışan”: istediğimiz, yapay zekânın işi bitirmesi
Super-agent yaklaşımını küçük bir ekip gibi düşünebiliriz:
- Router, yani görev koordinatörü: ne istediğimizi hatırlar, yeni mesajları alır ve işleri dağıtır. İşleri bizzat yapmaya dalıp koordinasyonu bırakmaz.
- Worker, yani işi yürüten ajan: her birinin kendi görevi ve çalışma geçmişi vardır. Farklı işleri aynı anda yapabilir, tamamladığında koordinatöre haber verir.
- Olaylarla tetiklenme: bir grup sohbetinde soru sorulduğunda, GitHub’a yeni bir yorum geldiğinde veya otomatik test başarısız olduğunda sistem takip gerekip gerekmediğine karar verebilir.
- Watchdog, yani gözetmen: görevlerin takılıp takılmadığını veya amacından sapıp sapmadığını izler; gerektiğinde sistemin sorunu yeniden ele almasını sağlar.
Bu tasarımda bize en ilginç gelen şey, birkaç yapay zekâ ajanı daha eklenmesi değil. Asıl amaç, kullanıcının arka planda kaç ayrı görüşmenin yürüdüğünü düşünmek zorunda kalmaması.
DeepSeek hedefini dört başlıkta topluyor: bağlamı zaman içinde korumak, görevleri paralel yürütmek, ortamda olan değişikliklere kendiliğinden yanıt vermek ve sorunlardan toparlanarak uzun süre çalışmak.
2. Gerçekten daha hızlı mı?
Ekibin neyi test ettiğine bakalım. Deneyde benzetim yoluyla oluşturulmuş bir çalışma ortamı kullanıldı. Her turda yaklaşık 300 grup sohbeti ve GitHub olayı vardı; bunların yaklaşık 20’si gerçek iş talebiydi. Her tasarım beş kez çalıştırıldı. Görev planlamasını ayrı değerlendirmek için programlama işi, yalnızca zaman harcayan bir araçla taklit edildi.
Test edilen şey, birden fazla işin nasıl dağıtıldığı, alındığı ve tamamlandığıydı.
| Tasarım | Görev süresi P50 | Görev süresi P95 | Her deney turunda önbellekten okunan token |
|---|---|---|---|
| Super-agent, tam tasarım | 12.4 dakika | 15.7 dakika | Yaklaşık 23,200,000 |
| Olayların doğrudan iletimi olmadan Super-agent | 12.6 dakika | 15.5 dakika | Yaklaşık 31,800,000 |
| Tek oturum + alt ajan, standart istem | 20.4 dakika | 29.5 dakika | Yaklaşık 6,100,000 |
| Tek oturum + alt ajan, görev devrine öncelik veren istem | 13.8 dakika | 29.0 dakika | Yaklaşık 10,800,000 |
Tabloda dikkatimizi çeken üç nokta var:
İlk olarak, görev sayısı arttığında tutarlılık tek bir işin hızından daha önemli olabilir. Tam Super-agent tasarımında P95, standart tek oturumlu yaklaşımın 29,5 dakikasına karşılık 15,7 dakikaydı. Yani daha geç tamamlanan görevlerin bitiş süresi yaklaşık %47 kısaldı.
İkinci olarak, yapay zekâya “işleri mümkün olduğunca alt ajanlara devret” demek tek başına yeterli değil. Bu deneylerde standart istem kullanıldığında model beş çalıştırmanın hiçbirinde alt ajan çağırmadı. Görev devrine öncelik veren istemle beş çalıştırmanın dördünde iş devretti, ancak P95 yine de 29,0 dakika oldu.
Üçüncü olarak, daha hızlı olmak mutlaka daha ucuz olmak anlamına gelmiyor. Tam Super-agent tasarımı bir deney turunda önbellekten yaklaşık 23,2 milyon token okurken standart tek oturumlu yaklaşım yaklaşık 6,1 milyon token okudu. Daha öngörülebilir tamamlanma süreleri için bağlamı işlemeye daha fazla kaynak ayırdı. Öte yandan olayların doğrudan iletilmesi, önbellekten okuma miktarını yaklaşık 31,8 milyondan 23,2 milyon tokena indirdi. Bu da sistem tasarımının maliyeti etkilediğini gösteriyor.
3. Manus, Genspark, OpenClaw ve ChatGPT Work’ten farkı ne?
“Super Agent” tek bir ürün kategorisinin adı gibi duyuluyor, fakat gerçekte öyle değil. Bazı ürünler görev yürütmeyi herkesin doğrudan kullanabileceği bir hizmete dönüştürüyor. Bazılarıysa kendi ortamınıza kurup değiştirebileceğiniz bir temel sunuyor.
| Ürün veya yaklaşım | Temelde hangi sorunu çözüyor? | Kimler için daha uygun? | Başlamak için gereken çaba |
|---|---|---|---|
| DeepSeek Super-agent prototipi | Sürekli olay almak, iş dağıtmak ve birden fazla çalışma oturumunu koordine etmek; mevcut prototip ağırlıklı olarak GitHub iş akışlarına odaklanıyor | Geliştiriciler ve ajan sistemlerini araştıran ekipler | Yüksek: kurulum ve bakımı kendiniz yapmalısınız |
| Genspark Super Agent | Araştırma, belge, tablo ve tasarım gibi çok adımlı işleri tamamlanmış sonuçlara dönüştürmek | Az kurulumla doğrudan sonuç almak isteyen kullanıcılar | Düşük: hazır bir ürün kullanılıyor |
| Manus | Yapay zekânın buluttaki bir bilgisayarla web siteleri, dosyalar, uygulamalar ve zamanlanmış işler üzerinde çalışmasını sağlamak | Araştırma, operasyon ve günlük ofis işleri yapan kullanıcılar | Düşük ile orta arası: göreve ve bağlantı izinlerine bağlı |
| OpenClaw | Kendi cihazınızda veya sunucunuzda, mesajlaşma uygulamaları üzerinden erişilebilen sürekli bir asistan çalıştırmak | Verileri ve araçları üzerinde kontrol isteyen kullanıcılar | Yüksek: kurulum, yapılandırma ve bakım gerekiyor |
| ChatGPT Work | Web siteleri, dosyalar ve uygulamalar arasında araştırma yapmak, analiz yürütmek ve çıktı hazırlamak | Karmaşık ofis işleriyle uğraşan kullanıcılar | Düşük: yönetilen bir ürün kullanılıyor, özellikler hesaba göre değişiyor |
Genspark Super Agent: tamamlanmış işi teslim eden bir asistan
Bir isteği adımlara ayırabilir, araçları kullanabilir ve sonunda araştırma, sunum, veri analizi veya başka dosyalar teslim edebilir. Yeni Super Agent ayrıca görevleri bulut ortamında çalıştırmayı, iş akışlarını tekrar kullanılabilir Skill’ler olarak kaydetmeyi ve birden fazla işi paralel yürütmeyi destekliyor.
Amacımız “on şirket hakkında bilgi toplayıp düzgün bir sunuma dönüştürmek” ise bu tür hazır ajanları anlamak daha kolay. Önce Router ve Worker gibi altyapı parçalarını öğrenmemiz gerekmiyor; ne teslim etmesini istediğimizi söylememiz yeterli.
Manus: görevden gerçek işlemlere geçmeye odaklanıyor
Web araştırması, uygulama bağlantıları, otomasyon ve bulut bilgisayarı gibi özellikleri var. Resmî bulut bilgisayarı açıklaması, kalıcı bulut ortamının dosyaları ve kurulu araçları saklayabildiğini, bu nedenle betikler, botlar ve tekrarlanan işler için uygun olduğunu da belirtiyor.
Günlük kullanıcı açısından bunu “yapay zekâya çalışabileceği bir bilgisayar vermek” olarak düşünüyoruz. İşiniz web sayfaları açmayı, dosya işlemeyi veya değişiklikleri düzenli kontrol etmeyi içeriyorsa Manus’un sunduğu yaklaşım oldukça anlaşılır.
OpenClaw: sürekli erişebileceğiniz kendi yapay zekâ asistanınızı çalıştırmak
OpenClaw’ı kendi ortamınızda barındırabileceğiniz bir ajan ağ geçidi olarak görüyoruz. Telegram, WhatsApp ve Slack gibi mesajlaşma kanallarına bağlanabiliyor. Zamanlanmış görevleri, araç çağrılarını ve birden fazla ajan arasında yönlendirmeyi de destekliyor.
İsteğimiz “mesajlaşma uygulamasından bir mesaj göndereyim, kendi sunucum işi yapsın” ise OpenClaw incelenmeye değer. Bunun karşılığında kurulumdan, güvenlik izinlerinden, model ücretlerinden ve günlük bakımdan biz sorumlu oluyoruz. DeepSeek Super-agent gibi, yalnızca ajanın yetenekleriyle değil, sistemi kendi ortamında çalıştırmak isteyenlere sunduğu seçenekle de dikkat çekiyor.
ChatGPT Work: karmaşık ofis işlerini buluttaki bir ajana vermek
Web sitelerinden ve bağlı uygulamalardan bilgi toplayabilir, verileri analiz edebilir, tablo ve slayt gibi çıktılar hazırlayabilir. Kendi hizmetini kurmak istemeyenler için bu da bir seçenek.
Biz ChatGPT Work’ü, Genspark ve Manus ile birlikte, doğrudan kullanılabilen çalışma ürünlerine daha yakın görüyoruz. DeepSeek Super-agent prototipi ise geliştiricilerin böyle bir sistemin nasıl kurulacağını inceleyebileceği bir örnek. Burada daha gelişmiş veya daha basit olma sıralamasından çok, farklı ürün katmanları söz konusu.
4. Biz nasıl seçim yapıyoruz?
Önce üç senaryo seçiyoruz:
- Araştırma: “Herkese açık üç web sitesindeki en güncel hizmet açıklamalarını bul ve özellikleri karşılaştıran bir tablo hazırla. Her önemli sonuç için asıl kaynağı belirt, emin olmadığın noktaları işaretle.”
- Dosya hazırlama: “Verilen beş sayfalık ürün bilgisinden yeni kullanıcılara yönelik 8 slaytlık bir sunum hazırla. Müşteri sayısı veya satış verisi uydurma.”
- Sürekli görev yürütme: “Belirtilen web sayfasındaki fiyatları haftada bir kontrol et. Yalnızca gerçekten bir değişiklik olduğunda bize haber ver ve karşılaştırma kaydını sakla.”
Değerlendirmede “çok akıllı görünüyor” hissine güvenmek yerine açık ve ölçülebilir ölçütler kullanıyoruz:
| Ölçüt | Neyi kaydediyoruz? |
|---|---|
| Tamamlanma oranı | 10 kabul kontrolünden kaçının gerçekten geçtiği |
| İnsan müdahalesi | Kaç kez yeniden açıklama, tıklama veya düzeltme gerektiği |
| Teslim süresi | Görevin verilmesinden gereksinimleri karşılayan sonucun alınmasına kadar geçen süre |
| Kaynak güvenilirliği | Örnek olarak seçilen 5 önemli sonuçtan kaçının özgün web sayfalarıyla desteklendiği |
| Maliyet | Gerçekte harcanan krediler, kotalar veya API ücretleri |
Aynı görevi en az üç kez tekrarlayıp sonuçların ne kadar değiştiğine bakıyoruz. Şu nokta önemli: Üçüncü senaryodaki sürekli görevde, tetikleyicinin gerçekten devreye girmesini beklemek ve sistemin sorunlardan toparlanabildiğini doğrulamak gerekiyor. Ajanın “başarıyla ayarlandı” demesi yeterli değil. Araştırma prototipleri ile hazır ürünlerin bağlantı yöntemleri de aynı olmayabilir. Çalıştırılamayan bir görevi modelin yetersizliği olarak saymak yerine “bu kuruluma uyarlanmadı” diye işaretlemek gerekir.
Bu, kendimizin kullandığı bir yöntem. Siz de deneyebilirsiniz.
5. Kullanıcılar DeepSeek’in yaklaşımını bugün nasıl deneyebilir?
DeepSeek modelini denemeyi, DeepSeek’in ajan araçlarını kullanmayı ve Super-agent prototipini kurmayı üç ayrı iş olarak ele alıyoruz.
Yalnızca DeepSeek’in yazı yazmaya veya bilgi analiz etmeye yardımcı olup olmadığını görmek istiyorsanız, DeepSeek V4 Flash çevrimiçi deneme alanımızla başlayabilirsiniz. Çıktı kalitesini basit ve yanıtı kontrol edilebilir bir soruyla deneyin. En baştan bütün bir ajan sistemi kurmanız gerekmiyor.
Bir ajanın daha fazla işlem yapmasını istiyorsanız, DeepSeek Harness’in resmî herkese açık önizlemesine bakabilirsiniz. Belge, tablo, araştırma ve kod işleri için tasarlanmış.
Birden fazla görev yürüten ajanların altyapısını araştırmak istiyorsanız, dsh-superagent-prototype ve kurulum rehberini inceleyin. Mevcut açık prototip ağırlıklı olarak tek bir GitHub deposu etrafında çalışıyor. En az izinle başlamanızı ve araştırma kodunun önemli üretim projelerini otomatik değiştirmesine doğrudan izin vermemenizi öneriyoruz.
6. DeepSeek modelleri ile Super-agent arasındaki ilişki ne?
Müşterilerimize sık sık anlattığımız ayrım şu: Model, anlama ve akıl yürütme yeteneği sağlar. Ajan sistemi ise modele sürekli görev ulaştırır, araçları çağırır, adımları uygular, durumu kaydeder ve sonuçları teslim eder.
Örneğin haftalık rakip güncellemelerini takip eden bir asistan şöyle çalışabilir: program önce herkese açık web sayfalarındaki yeni içerikleri alır, model değişiklikleri belirler, ardından sistem kayıtları saklayıp gözden geçirilmiş bir özet gönderir. Modelin işi içeriği anlamaktır. Zamanlama, web sayfası alma, izin denetimi ve bildirim özellikleri, yalnızca model değiştirildiğinde kendiliğinden ortaya çıkmaz.
API Hop şu anda farklı model ve veri API’lerine tek bir yerden erişim sağlıyor. Geliştiriciler, DeepSeek V4 Flash veya DeepSeek V4 Pro API’sini kullanarak kendi ajanlarına dil anlama ve akıl yürütme yeteneği kazandırabilir. Görev planlama, araç çalıştırma ve uzun süreli bellek ise yine seçilen çerçeve veya iş sistemi tarafından sağlanmalıdır.
Model yeteneklerinin de ayrı ölçüm yöntemleri var. Örneğin DeepSeek API’nin resmî güncelleme kaydı, Temmuz 2026’da yayımlanan V4 Flash için Terminal-Bench 2.1 testinde 82,7 resmî puanını bildiriyor. Bu, belirli bir kodlama ajanı testindeki yeteneklerini değerlendirmemize yardımcı olur. Ancak “DeepSeek Super-agent gerçek hayattaki görevlerin %82,7’sini tamamlayabilir” iddiasını kanıtlamaz. Modelin test puanı ile bütün bir sistemin görev tamamlama oranı aynı şey değildir.
7. Sık sorulan sorular
DeepSeek Super-agent’ı indirip hemen kullanabilir miyim?
İndirilebilen şey araştırma prototipinin kodu; herkesin tek tıkla kurabileceği, kullanıma hazır bir uygulama değil. Kullanmak için DeepSeek Harness ve ilgili bağımlılıkları kurmak, GitHub gibi giriş noktalarını yapılandırmak gerekiyor. DeepSeek’in ajan yeteneklerini ilk kez denemek için Harness’in herkese açık önizlemesine bakmanızı öneriyoruz.
Super-agent tamamen ücretsiz mi?
Prototip kodu MIT lisansıyla açık kaynak olarak sunuluyor. Ancak çalıştırırken model API’leri, hesaplama kaynakları, kurulum ve bakım için masraf çıkabilir. Açık kaynak olması, sürekli çalıştırmanın hiçbir maliyeti olmadığı anlamına gelmez.
Kendi başına e-posta gönderebilir, dosya değiştirebilir ve kod gönderebilir mi?
Bu, kullandığınız ürün veya prototipe hangi araçların bağlandığına, hangi izinlerin verildiğine ve çalışma kurallarına bağlı. Mesaj gönderme, ödeme yapma, dosya silme ve kod birleştirme gibi işlemlerde insan onayı gerekmesini öneriyoruz. Önce yapay zekânın taslaklar ve öneriler hazırlamasına izin verin, sonra yetkilerini kademeli olarak artırın.
Önce hangi ajanı denemeliyim?
Biz önce yapılacak işe bakıyoruz. Araştırma ve belge hazırlama için önce hazır bir bulut ajanını deneyin. Mesajlaşma uygulamaları üzerinden sürekli bağlantı istiyorsanız OpenClaw’ı araştırın. Ekip içindeki görev dağıtımının teknik yapısını anlamak istiyorsanız DeepSeek’in Super-agent prototipini inceleyin. Adlarında “ajan” geçiyor diye hepsinin aynı sorunu çözdüğünü varsaymayın.
Bizim görüşümüz
Bize göre DeepSeek Super-agent’ın en önemli yanı, ajana daha iddialı bir isim vermesi değil. Uzun zamandır geri planda kalan bir soruyu ciddiye alması: Yapay zekâ gerçekten bizim yerimize çalışmaya başladığında işleri kim dağıtacak, bağlamı kim yönetecek, sorunları kim fark edecek ve insanı yalnızca gerektiğinde kim devreye sokacak?
Resmî deneyler, iş bölümünü sistem mimarisine yerleştirmenin yalnızca “alt ajanları daha çok kullan” diyen bir isteme güvenmekten daha tutarlı olabileceğini gösteriyor. Fakat bunun bedelini de görüyoruz: daha fazla çalışma ortamı, daha fazla bağlam işleme, daha karmaşık izinler ve toparlanma mekanizmaları. Hızlı çalışan ama sık hata yapan ve sürekli kontrol isteyen bir ajan, sonuçta zaman kazandırmayabilir.
Gelecekte kullanıcıların yapay zekâ asistanı seçerken hangi modeli kullandığını daha az, şu üç şeyi daha çok soracağını düşünüyoruz: İş gerçekten bitti mi? Hatalar fark edilebiliyor mu? Ne kadar para ve insan emeği harcandı?
API Hop’de benimsemek istediğimiz yaklaşım da bu: önce modellerin yeteneklerini, maliyetlerini ve uygun kullanım alanlarını açıkça anlatmak, sonra model ve veri hizmetlerini gerçekten yararlı iş akışlarına bağlamak. Modeller ve veriler önemli parçalar, ancak güvenilir bir ajan sonuçta kendini kontrol edilebilir sonuçlarla kanıtlamalı.