Trong những lần trao đổi gần đây với khách hàng về DeepSeek, ngoài khả năng của mô hình và giá cả, chúng tôi bắt đầu nhận được một câu hỏi mới: DeepSeek Super-agent thực chất là gì? Nó có thể tự làm xong công việc như một trợ lý thực thụ không?
Super-agent không phải là một mô hình mới, và DeepSeek cũng chưa ra mắt một “siêu trợ lý” mà ai cũng có thể dùng ngay chỉ bằng một cú nhấp chuột. Ngày 31 tháng 10 năm 2026, nhóm DeepSeek Harness công bố một hướng thiết kế giúp AI Agent làm việc liên tục, xử lý nhiều nhiệm vụ cùng lúc, đồng thời phát hành một nguyên mẫu nghiên cứu mã nguồn mở. Kho mã nguyên mẫu chính thức của DeepSeek cũng nói rõ: đây chỉ là tài liệu tham khảo cho nghiên cứu, không phải sản phẩm chính thức của DeepSeek và không được khuyến nghị đưa thẳng vào hệ thống vận hành thực tế.
Vậy vì sao điều này đáng chú ý? Vì câu hỏi được đặt ra không phải là “AI trả lời được những câu hỏi khó đến mức nào”, mà gần gũi với công việc hằng ngày hơn: Khi giao cho AI năm việc cùng lúc, liệu nó có thể làm xong từng việc một cách ngăn nắp mà chúng ta không phải liên tục nhắc nhở?
1. DeepSeek Super-agent thực chất là gì?
Trước đây chủ yếu là “bạn hỏi một câu, nó làm một việc”
AI trò chuyện thông thường giống một cố vấn luôn sẵn sàng: bạn đặt câu hỏi, nó đưa ra câu trả lời. AI Agent tiến thêm một bước. Nó không chỉ trả lời mà còn có thể gọi công cụ, tra cứu trang web, sắp xếp bảng tính, sửa mã và cố gắng tạo ra một kết quả hoàn chỉnh.
Nhưng khi số lượng nhiệm vụ tăng lên, rắc rối bắt đầu xuất hiện.
Chẳng hạn, chúng ta nhờ AI tổng hợp thông tin đối thủ trong một cửa sổ, kiểm tra lỗi trang web trong cửa sổ khác và chuẩn bị báo cáo tuần trong cửa sổ thứ ba. Một lúc sau, chính chúng ta phải nhớ từng cửa sổ đã làm đến đâu, nhiệm vụ nào đang mắc kẹt và nhiệm vụ nào cần thêm thông tin.
Trong bài viết về thiết kế, nhóm DeepSeek cho biết theo quan sát của họ, một người thường chỉ theo dõi được ba đến năm cuộc hội thoại đang diễn ra cùng lúc. Dĩ nhiên, đây không phải giới hạn cố định cho tất cả mọi người. Tuy nhiên, theo dõi nhiều nhiệm vụ đồng thời khiến chúng ta tốn sức hơn. Điều đó đặt ra một vấn đề rất thực tế: AI có thể bắt đầu nhiều việc cùng lúc, nhưng khả năng chú ý của con người có hạn nên khó theo sát tất cả.
“Một người điều phối, nhiều người thực hiện”: chúng ta chỉ muốn AI làm xong việc
Có thể hiểu ý tưởng của Super-agent như một nhóm làm việc nhỏ:
- Router (người điều phối nhiệm vụ): ghi nhớ những gì chúng ta đã giao, nhận tin nhắn mới và phân việc, nhưng không tự mải mê thực hiện từng nhiệm vụ.
- Worker (người thực hiện): mỗi Worker có nhiệm vụ và lịch sử làm việc riêng, có thể làm những việc khác nhau cùng lúc rồi báo lại cho người điều phối khi hoàn tất.
- Kích hoạt theo sự kiện: khi có người đặt câu hỏi trong nhóm chat, xuất hiện bình luận mới trên GitHub hoặc kiểm thử tự động thất bại, hệ thống có thể quyết định có cần xử lý tiếp hay không.
- Watchdog (người giám sát trực): theo dõi xem nhiệm vụ có bị mắc kẹt hoặc đi chệch hướng không, rồi yêu cầu hệ thống xử lý lại khi cần.
Theo chúng tôi, điểm thú vị nhất của thiết kế này không đơn thuần là “thêm vài AI Agent”, mà là mong muốn giúp người dùng không phải bận tâm AI đang mở bao nhiêu cuộc hội thoại ở phía sau.
DeepSeek tóm tắt thành bốn mục tiêu: duy trì ngữ cảnh liên tục, xử lý nhiều nhiệm vụ song song, chủ động phản ứng với thay đổi của môi trường và chạy lâu dài với khả năng phục hồi khi có sự cố.
2. Có thực sự nhanh hơn không?
Hãy xem nhóm đã thử nghiệm những gì. Lần này, họ dùng môi trường làm việc mô phỏng: mỗi lượt có khoảng 300 sự kiện từ nhóm chat và GitHub, trong đó khoảng 20 sự kiện là yêu cầu công việc thực sự; mỗi phương án được chạy năm lần. Để phân tích riêng việc điều phối nhiệm vụ, công việc lập trình trong thử nghiệm được mô phỏng bằng một công cụ chỉ tiêu tốn thời gian.
Điều được đo là cách phân công, tiếp nhận và hoàn thành nhiều nhiệm vụ.
| Thiết kế | Thời gian xử lý nhiệm vụ P50 | Thời gian xử lý nhiệm vụ P95 | Token đọc từ bộ nhớ đệm trong mỗi lượt thử nghiệm |
|---|---|---|---|
| Super-agent (thiết kế đầy đủ) | 12.4 phút | 15.7 phút | Khoảng 23,200,000 |
| Super-agent (bỏ cơ chế chuyển thẳng sự kiện) | 12.6 phút | 15.5 phút | Khoảng 31,800,000 |
| Một phiên + Subagent (chỉ dẫn thông thường) | 20.4 phút | 29.5 phút | Khoảng 6,100,000 |
| Một phiên + Subagent (chỉ dẫn ưu tiên giao việc) | 13.8 phút | 29.0 phút | Khoảng 10,800,000 |
Chúng tôi nhận thấy ba điểm thú vị từ bảng này:
Thứ nhất, khi có nhiều nhiệm vụ, tính ổn định có thể quan trọng hơn tốc độ của từng nhiệm vụ riêng lẻ. P95 của thiết kế Super-agent đầy đủ là 15,7 phút, so với 29,5 phút của phương án một phiên thông thường. Như vậy, thời gian hoàn thành ở nhóm nhiệm vụ chậm nhất giảm khoảng 47%.
Thứ hai, chỉ nhắc AI “cố gắng giao việc cho trợ lý con” vẫn chưa đủ. Trong nhóm thử nghiệm này, với chỉ dẫn thông thường, mô hình không gọi Subagent trong cả năm lần chạy. Khi chuyển sang chỉ dẫn “ưu tiên giao việc”, mô hình đã giao việc trong bốn trên năm lần, nhưng P95 vẫn là 29,0 phút.
Thứ ba, nhanh hơn chưa chắc rẻ hơn. Thiết kế Super-agent đầy đủ đọc khoảng 23,2 triệu token từ bộ nhớ đệm trong mỗi lượt thử nghiệm, trong khi phương án một phiên thông thường đọc khoảng 6,1 triệu. Nó dùng thêm tài nguyên xử lý ngữ cảnh để đổi lấy thời gian hoàn thành dễ dự đoán hơn. Mặt khác, cơ chế chuyển thẳng sự kiện giảm lượng đọc từ bộ nhớ đệm từ khoảng 31,8 triệu xuống 23,2 triệu token, cho thấy thiết kế hệ thống cũng ảnh hưởng đến mức tiêu hao tài nguyên.
3. Khác gì với Manus, Genspark, OpenClaw và ChatGPT Work?
“Super Agent” nghe như tên của một nhóm sản phẩm thống nhất, nhưng thực tế không phải vậy. Một số sản phẩm đã biến việc thực hiện nhiệm vụ thành dịch vụ mà người dùng phổ thông có thể sử dụng ngay. Một số khác cung cấp nền tảng để bạn tự triển khai và điều chỉnh.
| Sản phẩm hoặc phương án | Chủ yếu giải quyết vấn đề gì? | Phù hợp hơn với ai? | Yêu cầu để bắt đầu sử dụng |
|---|---|---|---|
| Nguyên mẫu DeepSeek Super-agent | Tiếp nhận sự kiện lâu dài, phân công nhiệm vụ và phối hợp nhiều phiên thực hiện; nguyên mẫu hiện tập trung vào quy trình trên GitHub | Lập trình viên, nhóm nghiên cứu hệ thống Agent | Cao: cần tự cấu hình và bảo trì |
| Genspark Super Agent | Hoàn thành các nhiệm vụ nhiều bước như nghiên cứu, tài liệu, bảng tính và thiết kế thành kết quả cụ thể | Người dùng phổ thông muốn có kết quả mà ít phải tự thiết lập | Thấp: dùng sản phẩm có sẵn |
| Manus | Cho AI dùng máy tính đám mây để xử lý trang web, tệp, ứng dụng và công việc theo lịch | Người làm nghiên cứu, vận hành và công việc văn phòng hằng ngày | Thấp đến trung bình: tùy nhiệm vụ và quyền kết nối |
| OpenClaw | Chạy trợ lý lâu dài trên thiết bị hoặc máy chủ của mình và sử dụng qua ứng dụng nhắn tin | Người muốn tự kiểm soát dữ liệu và công cụ | Cao: cần cài đặt, cấu hình và bảo trì |
| ChatGPT Work | Nghiên cứu, phân tích và tạo sản phẩm bàn giao từ nhiều trang web, tệp và ứng dụng | Người cần xử lý công việc văn phòng phức tạp | Thấp: dùng dịch vụ được vận hành sẵn, khả năng tùy theo tài khoản |
Genspark Super Agent: giống một trợ lý biết bàn giao công việc hoàn chỉnh
Nó có thể chia một yêu cầu thành nhiều bước, gọi công cụ rồi bàn giao kết quả nghiên cứu, bài trình chiếu, phân tích dữ liệu hoặc các tệp khác. Phiên bản Super Agent mới còn hỗ trợ chạy nhiệm vụ trong môi trường đám mây, lưu quy trình thành Skill có thể dùng lại và thực hiện nhiều nhiệm vụ song song.
Nếu kết quả chúng ta muốn là “tổng hợp thông tin về mười công ty rồi làm thành một bài trình chiếu chỉn chu”, loại Agent dùng sẵn này khá dễ hiểu: không cần nghiên cứu Router và Worker bên dưới trước, chỉ cần nói rõ muốn nhận được gì.
Manus: chú trọng hơn vào việc biến nhiệm vụ thành thao tác thực tế
Manus có các khả năng như nghiên cứu trên web, kết nối ứng dụng, tự động hóa và máy tính đám mây. Hướng dẫn chính thức về máy tính đám mây cũng nêu rằng môi trường đám mây hoạt động liên tục có thể lưu tệp và các công cụ đã cài, phù hợp để chạy tập lệnh, bot và nhiệm vụ lặp lại.
Với người dùng phổ thông, chúng tôi hiểu đây là “cho AI một chiếc máy tính để làm việc”. Nếu nhiệm vụ cần mở trang web, xử lý tệp hoặc kiểm tra thay đổi định kỳ, định hướng sản phẩm của Manus khá rõ ràng.
OpenClaw: tự vận hành một trợ lý AI luôn sẵn sàng
Chúng tôi xem OpenClaw là một cổng kết nối Agent mà bạn có thể tự vận hành. Nó kết nối được với các kênh nhắn tin như Telegram, WhatsApp và Slack, đồng thời hỗ trợ nhiệm vụ theo lịch, gọi công cụ và định tuyến giữa nhiều Agent.
Nếu muốn “gửi tin nhắn trong ứng dụng chat rồi để máy chủ của mình xử lý”, OpenClaw rất đáng tìm hiểu. Đổi lại, bạn phải tự lo việc triển khai, quyền truy cập an toàn, chi phí mô hình và bảo trì hằng ngày. Tương tự DeepSeek Super-agent, ngoài khả năng của Agent, nhu cầu tự triển khai cũng là điểm cần cân nhắc.
ChatGPT Work: giao công việc văn phòng phức tạp cho Agent trên đám mây
Nó có thể thu thập thông tin từ các trang web và ứng dụng đã kết nối, phân tích dữ liệu, tạo sản phẩm bàn giao như bảng tính và bài trình chiếu. Đây cũng là một lựa chọn cho những ai không muốn tự dựng dịch vụ.
Theo chúng tôi, ChatGPT Work cùng với Genspark và Manus gần với “sản phẩm làm việc dùng được ngay”, còn nguyên mẫu DeepSeek Super-agent giống “ví dụ để lập trình viên nghiên cứu cách xây dựng một hệ thống như vậy”. Đây không phải chuyện bên nào cao cấp hơn, mà là các giải pháp nằm ở những tầng sản phẩm khác nhau.
4. Chúng tôi lựa chọn như thế nào?
Chúng tôi bắt đầu với ba tình huống:
- Tra cứu thông tin: “Hãy tìm phần giới thiệu dịch vụ mới nhất trên ba trang web công khai và lập bảng so sánh tính năng. Mỗi kết luận quan trọng cần kèm nguồn gốc, chỗ nào chưa chắc chắn thì đánh dấu rõ.”
- Tạo tài liệu: “Dựa trên năm trang thông tin sản phẩm được cung cấp, hãy tạo bài trình chiếu tám trang dành cho người dùng mới. Không được bịa số lượng khách hàng hay số liệu bán hàng.”
- Thực hiện nhiệm vụ liên tục: “Mỗi tuần kiểm tra thay đổi về giá trên trang web được chỉ định một lần. Chỉ thông báo khi thực sự có thay đổi và lưu lại bản ghi so sánh.”
Khi đánh giá, chúng tôi chia nhiệm vụ thành những tiêu chí rõ ràng, đo lường được, thay vì chỉ dựa vào cảm giác rằng “nó rất thông minh”:
| Tiêu chí | Cách chúng tôi ghi nhận |
|---|---|
| Tỷ lệ hoàn thành | Trong 10 điểm cần nghiệm thu, có bao nhiêu điểm thực sự đạt |
| Can thiệp của con người | Chúng tôi phải giải thích lại, nhấp chuột hoặc sửa sai bao nhiêu lần trong quá trình thực hiện |
| Thời gian bàn giao | Từ lúc giao nhiệm vụ đến khi nhận được kết quả có thể nghiệm thu mất bao lâu |
| Độ tin cậy của nguồn | Kiểm tra ngẫu nhiên 5 kết luận quan trọng, có bao nhiêu kết luận được trang web gốc chứng minh |
| Chi phí | Số điểm, hạn mức hoặc phí API thực tế đã sử dụng |
Lặp lại cùng một nhiệm vụ ít nhất ba lần rồi so sánh mức dao động của kết quả. Cần lưu ý: với nhiệm vụ liên tục thứ ba, phải thực sự chờ điều kiện kích hoạt xuất hiện và kiểm chứng khả năng phục hồi, không thể chỉ nhìn câu trả lời “đã thiết lập thành công” của Agent. Nguyên mẫu nghiên cứu và sản phẩm dùng sẵn cũng chưa chắc có cùng cách kết nối. Mục nào không chạy được cần đánh dấu “chưa được điều chỉnh để chạy trong thiết lập này”, thay vì tính đó là điểm yếu của mô hình.
Đây là phương pháp chúng tôi đang sử dụng, bạn có thể thử nếu thấy phù hợp.
5. Người dùng phổ thông có thể thử hướng đi này của DeepSeek như thế nào?
Chúng tôi tách “thử mô hình DeepSeek”, “thử công cụ Agent của DeepSeek” và “triển khai nguyên mẫu Super-agent” thành ba việc khác nhau.
Nếu chỉ muốn xem DeepSeek có giúp viết nội dung, phân tích tài liệu được không, bạn có thể bắt đầu với trải nghiệm DeepSeek V4 Flash trực tuyến mà chúng tôi cung cấp. Hãy dùng một câu hỏi đơn giản, có thể kiểm chứng để thử chất lượng đầu ra trước. Chưa cần triển khai cả một hệ thống Agent ngay từ đầu.
Nếu muốn dùng Agent để thực hiện nhiều thao tác hơn, hãy xem bản xem trước công khai chính thức của DeepSeek Harness. Công cụ này hướng đến công việc với tài liệu, bảng tính, nghiên cứu và mã lập trình.
Nếu muốn nghiên cứu cách triển khai bên trong của Agent đa nhiệm, hãy tìm hiểu dsh-superagent-prototype và hướng dẫn triển khai. Nguyên mẫu công khai hiện chủ yếu hoạt động xoay quanh một kho mã GitHub. Chúng tôi khuyên nên bắt đầu với quyền tối thiểu, không để mã nghiên cứu tự động chỉnh sửa các dự án quan trọng đang vận hành thực tế.
6. Mô hình DeepSeek và Super-agent có quan hệ gì với nhau?
Đây cũng là điều chúng tôi thường giải thích với khách hàng: mô hình cung cấp khả năng hiểu và suy luận; hệ thống Agent chịu trách nhiệm liên tục đưa nhiệm vụ đến mô hình, gọi công cụ, thực hiện các bước, lưu trạng thái và bàn giao kết quả.
Ví dụ, một “trợ lý cập nhật hoạt động đối thủ hằng tuần” có thể làm việc như sau: chương trình lấy nội dung mới từ các trang web công khai trước, sau đó nhờ mô hình xác định thay đổi, cuối cùng hệ thống lưu bản ghi và gửi bản tóm tắt đã được duyệt. Mô hình phụ trách hiểu nội dung. Việc chạy theo lịch, lấy dữ liệu web, kiểm soát quyền truy cập và gửi thông báo không tự nhiên xuất hiện chỉ vì thay một mô hình khác.
API Hop hiện cung cấp cách truy cập thống nhất đến nhiều API mô hình và dữ liệu. Lập trình viên có thể dùng API của DeepSeek V4 Flash hoặc DeepSeek V4 Pro để bổ sung khả năng hiểu ngôn ngữ và suy luận cho Agent tự phát triển. Việc điều phối nhiệm vụ, thực thi công cụ và duy trì bộ nhớ dài hạn vẫn cần được triển khai bằng khung phần mềm đã chọn hoặc hệ thống nghiệp vụ.
Khả năng của mô hình cũng có cách đo riêng. Chẳng hạn, nhật ký cập nhật chính thức của DeepSeek API ghi nhận V4 Flash, phát hành vào tháng bảy năm 2026, đạt điểm chính thức 82,7 trên Terminal-Bench 2.1. Điểm này giúp chúng ta đánh giá khả năng của nó trong một bài kiểm tra cụ thể về Agent lập trình, nhưng không chứng minh rằng “DeepSeek Super-agent có thể hoàn thành 82,7% nhiệm vụ ngoài đời thực”. Không thể đánh đồng điểm của mô hình với tỷ lệ hoàn thành nhiệm vụ của cả hệ thống.
7. Những câu hỏi thường gặp
Có thể tải DeepSeek Super-agent về dùng ngay không?
Thứ có thể tải về là mã của nguyên mẫu nghiên cứu, không phải ứng dụng đã hoàn thiện để người dùng phổ thông cài bằng một cú nhấp chuột. Để sử dụng, bạn cần triển khai DeepSeek Harness cùng các thành phần phụ thuộc, rồi cấu hình các đầu vào như GitHub. Nếu muốn trải nghiệm khả năng Agent của DeepSeek trước, chúng tôi khuyên nên xem bản xem trước công khai của Harness.
Super-agent có hoàn toàn miễn phí không?
Mã nguyên mẫu được phát hành theo giấy phép mã nguồn mở MIT, nhưng khi chạy vẫn có thể phát sinh phí API mô hình, tài nguyên tính toán, triển khai và bảo trì. Mã nguồn mở không đồng nghĩa với việc vận hành lâu dài mà không mất phí.
Nó có thể tự gửi email, sửa tệp và gửi mã không?
Điều này tùy thuộc vào những công cụ mà sản phẩm hoặc nguyên mẫu cụ thể đã kết nối, các quyền được cấp và quy tắc vận hành. Chúng tôi khuyên nên đặt các thao tác như gửi tin, thanh toán, xóa tệp và hợp nhất mã ở chế độ cần người xác nhận. Hãy để AI chuẩn bị bản nháp và đề xuất trước, rồi mới mở rộng quyền dần dần.
Nên thử Agent nào trước?
Chúng tôi sẽ xem công việc cần làm là gì: với nghiên cứu và bàn giao tài liệu, nên thử Agent đám mây có sẵn trước; nếu muốn kết nối lâu dài qua ứng dụng nhắn tin, hãy tìm hiểu OpenClaw; nếu muốn hiểu kiến trúc kỹ thuật để điều phối nhiệm vụ trong nhóm, có thể đọc nguyên mẫu Super-agent của DeepSeek. Đừng cho rằng các công cụ giải quyết cùng một vấn đề chỉ vì tên đều có chữ “Agent”.
Cuối cùng, góc nhìn của chúng tôi
Theo chúng tôi, điểm đáng chú ý nhất ở Super-agent lần này của DeepSeek không phải là một cái tên ấn tượng hơn cho Agent, mà là việc nhóm nghiêm túc bàn về một vấn đề đã bị bỏ qua từ lâu: Khi AI thực sự bắt đầu làm việc thay chúng ta, ai sẽ sắp xếp nhiệm vụ, quản lý ngữ cảnh, phát hiện bất thường và chỉ để con người tham gia khi cần thiết?
Các thử nghiệm chính thức cho thấy đưa cơ chế phân công vào kiến trúc hệ thống thực sự có thể ổn định hơn việc chỉ dựa vào câu nhắc “hãy dùng trợ lý con nhiều hơn”. Nhưng chúng tôi cũng thấy cái giá phải trả: nhiều môi trường chạy hơn, nhiều xử lý ngữ cảnh hơn, cùng cơ chế phân quyền và phục hồi phức tạp hơn. Một Agent chạy nhanh nhưng thường làm sai, khiến chúng ta phải kiểm tra đi kiểm tra lại, chưa chắc thực sự tiết kiệm thời gian.
Chúng tôi cho rằng trong tương lai, khi chọn trợ lý AI, người dùng phổ thông có thể sẽ ít hỏi “bạn dùng mô hình nào” hơn, mà chú ý đến ba điều: Việc có thực sự làm xong không? Có phát hiện được khi làm sai không? Đã tốn bao nhiêu tiền và công sức của con người?
Đó cũng là hướng chúng tôi muốn giữ khi vận hành API Hop: làm rõ khả năng, chi phí và trường hợp sử dụng phù hợp của mô hình trước, rồi kết nối các dịch vụ mô hình và dữ liệu vào những quy trình thực sự hữu ích. Mô hình và dữ liệu là những phần quan trọng, nhưng một Agent đáng tin cậy cuối cùng vẫn phải chứng minh bằng kết quả có thể nghiệm thu.