# DeepSeek Super Agent: qué es, cómo funciona y qué muestran los experimentos [Leer este artículo en Offloop](https://offloop.org/es/learn/deepseek-super-agent-design) Yifei Un análisis técnico de su arquitectura, sus decisiones de diseño y sus benchmarks, basado en nuestra experiencia al desarrollar Offloop. DeepSeek Super Agent (superagente de DeepSeek) es un prototipo de investigación de código abierto que se ejecuta sobre DeepSeek Harness. Explora la coordinación de varios agentes en los flujos de trabajo de equipos: varias personas asignan tareas y aportan actualizaciones, mientras el sistema organiza el trabajo entre varios agentes de IA. El equipo de DeepSeek Harness ha publicado tanto el diseño como un [prototipo funcional en GitHub](https://github.com/deepseek-ai/dsh-superagent-prototype). En nuestra opinión, publicarlo como prototipo de investigación puede reflejar que el equipo sigue explorando distintas arquitecturas y casos de uso. Esperamos más prototipos de código abierto a medida que evolucionen esas líneas de trabajo. El artículo técnico original se publicó en chino. Lo hemos traducido al español con sus diagramas originales. Lee la [traducción completa al español con diagramas](https://offloop.org/es/learn/exploring-deepseek-super-agent-design) para conocer el diseño y los resultados experimentales completos. ## Resumen DeepSeek Super Agent de un vistazo | Pregunta | Respuesta breve | | ----------------------------------------- | ---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | | ¿Qué es? | Un diseño de sistema para coordinar a varias personas, tareas y agentes de IA, acompañado de un prototipo de investigación con licencia MIT basado en DeepSeek Harness. | | ¿Qué hace? | Permite que los miembros del equipo asignen tareas y hagan seguimiento mientras el sistema coordina a los agentes, reduciendo la asignación manual, el intercambio de contexto y el seguimiento del progreso. | | ¿Cuál es su arquitectura principal? | Un Router vincula las solicitudes a tareas y distribuye el trabajo. Los Workers ejecutan tareas individuales. Los registros de tareas y las suscripciones a hilos conectan los eventos posteriores con el trabajo en curso. | | ¿Qué cubre el prototipo público? | Trabajo de programación en un único repositorio de GitHub, con integración con GitHub y, opcionalmente, Feishu. | | ¿Qué necesita? | Una instalación compatible de DeepSeek Harness, un proveedor de modelos, una máquina anfitriona, un repositorio de destino y una cuenta de GitHub dedicada al agente. | | ¿Qué muestran los benchmarks? | Con una carga de trabajo sintética, la mediana del tiempo de finalización bajó aproximadamente un 39 % frente a una configuración de referencia con un prompt neutro y un 10 % frente a otra que prioriza la delegación, con un mayor consumo de tokens de lectura de caché. | | ¿Cuáles son las principales limitaciones? | El código público sigue siendo un prototipo de investigación que requiere configurar el entorno y los permisos. Los experimentos sustituyen la programación por retrasos simulados y miden el comportamiento de la planificación, no la calidad del código, la revisión humana ni los costes de mantenimiento a largo plazo. | ![Las solicitudes del equipo llegan a Super Agent, que coordina la responsabilidad de las tareas, los eventos y las sesiones paralelas de Workers.](https://offloop.org/editorial/learn/deepseek-super-agent/super-agent-overview.svg) Super Agent coordina las solicitudes del equipo, la asignación de tareas y las sesiones paralelas de Workers. ## Análisis de DeepSeek Super Agent: integración y decisiones de diseño **Vemos más valor en la integración que en la novedad de la arquitectura.** La separación entre Router y Worker, la ejecución por eventos, los registros persistentes de tareas y los trabajos en segundo plano parten de ideas de ingeniería consolidadas. En Offloop llevamos más de seis meses utilizando mecanismos y patrones de diseño similares. Lo interesante de Super Agent es cómo los reúne en un sistema de código abierto que los desarrolladores pueden inspeccionar, ejecutar y debatir. Valoramos especialmente su gestión de tareas. A medida que varias personas asignan trabajo, añaden contexto y revisan resultados, los registros explícitos y las reglas programadas permiten llevar un registro de los responsables, las autorizaciones y el estado de ejecución. Las suscripciones a hilos entregan los mensajes posteriores a los Workers correspondientes. Estos mecanismos aportan más conocimiento de ingeniería que el simple aumento del número de agentes. ![Los registros de tareas, las suscripciones a eventos y la ejecución de los Workers forman un sistema de coordinación que se puede inspeccionar.](https://offloop.org/editorial/learn/deepseek-super-agent/integration-tradeoffs.svg) Los registros de tareas y las suscripciones a eventos coordinan la ejecución guiada por el modelo. Los experimentos publicados ejecutaron cada configuración cinco veces. Frente a la referencia que prioriza la delegación, Super Agent reduce la mediana del tiempo de finalización aproximadamente un 10 %, pero utiliza aproximadamente 2,1 veces la cantidad de tokens de lectura de caché. Por nuestra experiencia al desarrollar Offloop, vemos una ventaja teórica de eficiencia en los flujos con varias personas y tareas concurrentes: una responsabilidad explícita y el enrutamiento de eventos pueden reducir la coordinación repetida, los traspasos de contexto y las interrupciones. Lo probaremos con cargas de trabajo reales de equipos, midiendo la aceptación de las tareas, el tiempo de revisión y corrección, el esfuerzo de coordinación y el coste total. ## ¿Qué es DeepSeek Super Agent? DeepSeek Super Agent es un diseño de sistema para la colaboración continua. Los miembros del equipo envían solicitudes, añaden contexto y revisan los resultados. El sistema conecta esas entradas con las tareas activas y coordina varias sesiones de ejecución para completar el trabajo. La pregunta central es **cómo pueden trabajar varias personas con varios agentes de IA**. Por ejemplo, una persona hace una solicitud en el chat, un desarrollador añade los pasos para reproducir un error en un Issue de GitHub y, más tarde, un revisor pide cambios en una pull request. Esas entradas llegan por canales distintos y en momentos diferentes, pero pertenecen al mismo trabajo. El sistema debe conectarlas, entregarlas al ejecutor adecuado y conservar el progreso y el alcance de la tarea. ![Varias personas avanzan una tarea a través de mensajería y GitHub, mientras Super Agent devuelve las actualizaciones a la conversación.](https://offloop.org/editorial/learn/deepseek-super-agent/cross-channel-task.webp) La misma tarea continúa entre el chat del equipo, los Issues de GitHub y las revisiones de pull requests. Super Agent se ejecuta sobre DeepSeek Harness. Harness proporciona funciones básicas como la ejecución de herramientas y las sesiones de agentes; Super Agent las utiliza para coordinar tareas, eventos y varios agentes. ## ¿Por qué se diseñó DeepSeek Super Agent? Aunque los modelos son cada vez más capaces de completar tareas individuales, los equipos siguen necesitando coordinar solicitudes, contexto y progreso entre personas y trabajos concurrentes. DeepSeek Super Agent busca trasladar más de esa coordinación al sistema. Imagina un equipo que atiende tres solicitudes en paralelo: * Un responsable de producto pide una función en Feishu. * Un desarrollador informa de una prueba fallida en GitHub. * Un revisor solicita cambios en una pull request existente. Mientras tanto, algunos agentes ejecutan tareas y otros esperan resultados externos o una decisión humana. La coordinación plantea preguntas recurrentes: ¿el nuevo mensaje pertenece a una tarea existente o a una nueva? ¿Quién es responsable? ¿Ya hay otro agente trabajando en ella? ¿Dónde debe enviarse el contexto adicional? ¿Quién debe aclarar, autorizar o revisar el siguiente paso? Cuando las personas gestionan estas relaciones manualmente, dedican tiempo a buscar conversaciones, reenviar contexto y pedir actualizaciones. Reunirlo todo en una única sesión crea otro problema: se mezclan los contextos de tareas independientes y los mensajes nuevos pueden interrumpir el trabajo en curso. Super Agent combina una capa de coordinación que conserva las relaciones entre tareas con sesiones de ejecución separadas que hacen avanzar el trabajo. Los miembros del equipo siguen utilizando sus canales habituales. La sección del artículo original sobre [interacción centrada en las personas](https://offloop.org/es/learn/exploring-deepseek-super-agent-design#section-4) explica cómo pueden seguir participando durante la ejecución e interactuar con los agentes a través de distintos canales. Esto encaja con el diseño de Offloop. El autor del artículo técnico de DeepSeek también ha intercambiado ideas con desarrolladores de nuestro equipo. Esas conversaciones, junto con nuestra experiencia al desarrollar Offloop, nos han ayudado a comprender mejor los objetivos y las decisiones de esta arquitectura. También puedes [probar Offloop](https://offloop.org/). Hemos implementado este tipo de colaboración entre varias personas y agentes, y actualmente lo estamos probando internamente. Imagina compañeros de IA en un espacio de colaboración similar a Slack: las personas asignan tareas, aportan contexto y siguen el progreso; los agentes reparten el trabajo y devuelven los resultados a la conversación. ![Comparación entre la coordinación manual de personas y agentes independientes y la coordinación por tareas mediante canales compartidos, un Router y Workers.](https://offloop.org/editorial/learn/deepseek-super-agent/team-coordination.svg) Los registros compartidos de tareas y el enrutamiento de eventos conectan las solicitudes del equipo con los Workers adecuados. ## Cómo funciona DeepSeek Super Agent: arquitectura Router–Worker ### Arquitectura Router–Worker: cómo se asignan las tareas Super Agent utiliza una [arquitectura Router–Worker de dos capas](https://offloop.org/es/learn/exploring-deepseek-super-agent-design#section-2). El Router mantiene las relaciones entre tareas. Decide si una solicitud entrante debe crear una tarea, asociarse a una existente o llegar a un ejecutor que ya está trabajando. Los Workers atienden tareas individuales en sus propios contextos de ejecución y pueden utilizar subagentes cuando lo necesitan. Esto separa la coordinación de la ejecución. Mientras un Worker modifica código, otro puede atender una solicitud independiente. Las instrucciones adicionales para la primera tarea siguen vinculadas a ella. El artículo original propone restringir las herramientas de ejecución del Router para centrarlo en la coordinación; por ejemplo, no darle acceso a Bash. El prototipo público adopta otro enfoque. Su Router conserva Bash y otras herramientas, pero utiliza un conjunto más reducido, límites de espera del shell más cortos e instrucciones en el prompt que desaconsejan inspeccionar e implementar código directamente. Consulta la [documentación de arquitectura del prototipo público](https://github.com/deepseek-ai/dsh-superagent-prototype/blob/main/docs/007-architecture.md) para conocer los detalles de implementación. ![Diseño original de dos capas: el Router gestiona el contexto compartido, el enrutamiento y la interacción; varias sesiones de Workers ejecutan tareas en contextos aislados.](https://offloop.org/editorial/learn/deepseek-super-agent/two-layer-architecture.webp) El Router coordina las tareas y la interacción con el usuario; los Workers ejecutan las tareas y comunican al Router el progreso y los resultados. Consulta los diagramas originales de arquitectura en la [sección 2 de nuestra traducción al español](https://offloop.org/es/learn/exploring-deepseek-super-agent-design#section-2). ### Orquestación de tareas por eventos y suscripciones a hilos La arquitectura por eventos de Super Agent conecta las solicitudes entrantes y los eventos posteriores con el trabajo en curso. La orquestación incluye crear tareas, asociar sesiones de ejecución y entregar las actualizaciones pertinentes cuando llegan. ![El evento inicial pasa por el Router para crear un Worker y suscribirlo; los eventos posteriores del mismo hilo llegan directamente a ese Worker.](https://offloop.org/editorial/learn/deepseek-super-agent/subscription-direct-delivery.webp) El primer evento pasa por el Router. Los eventos posteriores de los hilos suscritos se entregan directamente al Worker correspondiente. Consideremos un flujo de programación en equipo. Un compañero autorizado informa de una prueba fallida. El sistema identifica la solicitud, crea una tarea y su registro de autorización, y vincula un Worker a la ejecución. Otro compañero añade registros al mismo Issue. Como el hilo ya está suscrito a la tarea, la información adicional puede llegar al Worker correspondiente. Un tercer compañero solicita un cambio de documentación independiente. Puede convertirse en otra tarea a cargo de un Worker distinto, sin mezclar ambos contextos. Las revisiones de pull requests y los resultados de CI llegan después como eventos. Si una nueva solicitud supera el alcance autorizado de la tarea, el sistema debe evaluarla de nuevo, en lugar de ampliar los permisos solo por recibir un mensaje posterior. La implementación utiliza tres conceptos principales: Cómo funciona DeepSeek Super Agent: arquitectura Router–Worker | Concepto | Función | | --------------------- | ------------------------------------------------------------------------------------------------------------ | | Ticket | Registra la tarea y su alcance autorizado. | | Assignment | Vincula la tarea con una ejecución concreta. | | Suscripción a un hilo | Entrega los mensajes y eventos posteriores al ejecutor correspondiente, reduciendo el enrutamiento repetido. | Las solicitudes iniciales establecen las relaciones de cada tarea. Después, las suscripciones permiten que los eventos posteriores lleguen directamente a los Workers. La [sección sobre el diseño por eventos](https://offloop.org/es/learn/exploring-deepseek-super-agent-design#section-3) explica el filtrado, el enrutamiento y la organización del contexto que sostienen este flujo. ### Autorización de tareas: ¿qué solicitudes pueden iniciar la ejecución? Las reglas de entrada comprueban primero la fuente y la identidad; después, una evaluación basada en el modelo determina cómo se relaciona el contenido con la tarea. Los comentarios de Issues, los registros y los resultados de CI pueden aportar contexto sin conceder permiso de ejecución. El prototipo público distingue varios casos de autorización: * En el modo de observación predeterminado, el sistema puede identificar y registrar trabajo inferido sin ejecutarlo automáticamente. * Las solicitudes explícitas pueden iniciar la ejecución si se cumplen las reglas correspondientes. * La ejecución automática requiere configurar reglas de autorización. Estos mecanismos determinan cómo un mensaje observado se convierte en trabajo autorizado. Consulta el [diseño de autorización](https://github.com/deepseek-ai/dsh-superagent-prototype/blob/main/docs/002-authorization.md) del prototipo. ### Gestión del contexto, ejecución en segundo plano y persistencia Un agente que funciona de forma continua necesita limitar el tamaño de su contexto. Super Agent organiza el contexto en torno a tareas y eventos. Conserva los resúmenes y las referencias necesarios en el contexto actual, recupera el contenido más extenso cuando hace falta y sigue las relaciones entre tareas, hilos y eventos para consultar el historial. Esta estructura controla el tamaño del contexto, reduce las entradas repetidas y mantiene accesible la información histórica. La memoria a largo plazo plantea otras preguntas: cuándo dejan de ser válidas las conclusiones antiguas, cómo reconciliar información contradictoria, si los resúmenes omiten condiciones importantes y si los registros históricos siguen reflejando los hechos actuales. El artículo no detalla mecanismos específicos para estos problemas. Las operaciones largas también se separan de la interacción entrante. El trabajo continúa en segundo plano y su finalización llega como un nuevo evento, lo que permite al sistema recibir más entradas durante la ejecución. El artículo va más allá y propone [separar el cómputo, el estado y los entornos de ejecución](https://offloop.org/es/learn/exploring-deepseek-super-agent-design#section-5). El Agent Loop se ejecuta en la nube, el estado persistente se almacena por separado y los dispositivos de ejecución reciben comandos mediante demonios ligeros. Esto permite gestionar el cómputo del agente de forma independiente de las máquinas que contienen el código, las dependencias y las credenciales. La [documentación de despliegue](https://github.com/deepseek-ai/dsh-superagent-prototype/blob/main/docs/006-deployment.md) del prototipo público describe un despliegue unificado: tmux inicia DeepSeek Harness, un directorio de estado configurado contiene la base de datos y los directorios de trabajo de las tareas se preparan en la máquina de ejecución. El [Watchdog](https://offloop.org/es/learn/exploring-deepseek-super-agent-design#section-6) del artículo también evalúa el progreso de las tareas. Una sesión independiente de agente comprueba si los Workers se han estancado o se han desviado de sus objetivos. Las comprobaciones de estado y los procedimientos de reinicio de la documentación pública se ocupan principalmente de errores de proceso, configuración y entorno de ejecución. Reiniciar un servicio y evaluar si una tarea avanza de forma significativa son capacidades distintas. El [README](https://github.com/deepseek-ai/dsh-superagent-prototype) explica que el código público se adaptó para su publicación y difiere de la implementación interna y de la arquitectura descrita en el artículo, con algunos diseños pendientes de exploración futura. ## DeepSeek Super Agent frente a subagentes: coordinación de tareas Ambos enfoques pueden ejecutar trabajo en paralelo. Las principales diferencias están en quién organiza las tareas y cómo recibe el trabajo en curso los mensajes posteriores. ![Un agente principal decide si delega en subagentes, mientras las capas Router y Worker separan la coordinación de la ejecución.](https://offloop.org/editorial/learn/deepseek-super-agent/subagents-and-workers.svg) Los subagentes y los sistemas Router–Worker permiten trabajar en paralelo, pero distribuyen de forma distinta las responsabilidades de coordinación. DeepSeek Super Agent frente a un único agente con subagentes | Aspecto | Agente único con subagentes | Super Agent | | --------------------- | ----------------------------------------------------------------------------------------- | --------------------------------------------------------------------------------------------------------- | | Coordinación | El agente principal decide cuándo delegar durante la ejecución. | La arquitectura separa las responsabilidades del Router y los Workers. | | Trabajo en paralelo | Varios subagentes pueden atender las subtareas delegadas. | Distintos Workers pueden avanzar en tareas independientes. | | Mensajes posteriores | La sesión principal u otro mecanismo vincula las actualizaciones con el trabajo en curso. | Las relaciones entre tareas y las suscripciones a hilos conectan las actualizaciones con los ejecutores. | | Colaboración continua | Depende de la gestión del estado y de las sesiones del producto. | Las tareas persistentes, la entrega de eventos y la coordinación entre tareas son centrales en el diseño. | | Tareas complejas | El agente principal puede ejecutar directamente o delegar. | Los Workers también pueden utilizar subagentes y organizar la ejecución con más niveles. | El valor de Super Agent va más allá de tener varios agentes. Lo interesante es cómo reduce la dependencia de las decisiones puntuales del modelo sobre la delegación y cómo gestiona las entradas continuas durante la ejecución. La [sección sobre la arquitectura de dos capas](https://offloop.org/es/learn/exploring-deepseek-super-agent-design#section-2) explica esta diferencia con más detalle. ## DeepSeek Super Agent frente a Claude Code y Codex DeepSeek Super Agent es un prototipo de investigación de código abierto para explorar y validar una arquitectura. Claude Code y Codex son productos ofrecidos y mantenidos para los usuarios. Responden a preguntas distintas: cómo diseñar un sistema con varias personas y agentes, y cómo realizar trabajo hoy con un producto disponible. ![DeepSeek Super Agent es un prototipo de investigación de código abierto; Claude Code y Codex son productos de programación.](https://offloop.org/editorial/learn/deepseek-super-agent/prototype-and-coding-products.svg) Super Agent es un prototipo de investigación; Claude Code y Codex son productos de programación. DeepSeek Super Agent frente a Claude Code y Codex | Aspecto | DeepSeek Super Agent | Claude Code | Codex | | ----------------------- | ---------------------------------------------------------------------------------------------------------------------- | ----------------------------------------------------------------------------------------------------------------------------------- | ----------------------------------------------------------------------------------------------------------------------------------- | | Enfoque y distribución | Prototipo de investigación de código abierto con código y documentación de arquitectura. | Producto de agente de programación. | Producto de agente de programación. | | Principal valor | Inspeccionar, modificar y reutilizar los mecanismos de coordinación de tareas, autorización y enrutamiento de eventos. | Flujos listos para usar en programación, uso de herramientas y subagentes. | Organizar el trabajo de programación local y en la nube mediante tareas, hilos y espacios de trabajo. | | Enfoque de colaboración | Varias personas asignan y actualizan tareas de forma continua, coordinadas mediante la separación Router–Worker. | Flujos de programación con un agente principal, subagentes y la función experimental Agent Teams. | Trabajo en paralelo organizado en tareas e hilos independientes. | | Primeros pasos | Desplegar el prototipo y configurar modelos, cuentas, permisos y entornos de ejecución. | Instalar, configurar y utilizar las interfaces disponibles del producto. | Utilizar la aplicación, la CLI, las integraciones con IDE o las tareas en la nube. | | Mantenimiento | Los usuarios mantienen el prototipo y el entorno que lo sustenta. | El proveedor mantiene las funciones principales del producto; los usuarios gestionan su configuración y sus entornos de desarrollo. | El proveedor mantiene las funciones principales del producto; los usuarios gestionan su configuración y sus entornos de desarrollo. | Consulta la [documentación de Claude Code](https://code.claude.com/docs/en/overview), la [documentación de Agent Teams](https://code.claude.com/docs/en/agent-teams), la [documentación de subagentes de Codex](https://learn.chatgpt.com/docs/agent-configuration/subagents) y la [documentación de Codex en la nube](https://learn.chatgpt.com/docs/cloud). ## DeepSeek Super Agent frente a Grok Bot y Muse Grok Bot y Muse también ofrecen como productos el trabajo persistente, la multitarea o la asistencia personal. La aportación distintiva de Super Agent es publicar un diseño de sistema y una implementación que los desarrolladores pueden inspeccionar y modificar. ![Super Agent, Grok Bot y Muse difieren en su distribución, la organización del trabajo y el entorno de ejecución.](https://offloop.org/editorial/learn/deepseek-super-agent/prototype-and-assistant-products.svg) Comparación del prototipo de programación de código abierto de Super Agent con Grok Bot y Muse. DeepSeek Super Agent frente a Grok Bot y Muse | Aspecto | DeepSeek Super Agent | Grok Bot | Muse | | ---------------------------------------- | ----------------------------------------------------------------------- | --------------------------------------------------------------------------- | ------------------------------------------------------------------------------------- | | Enfoque y distribución | Prototipo de investigación de código abierto. | Producto de agente. | Producto de asistente de IA. | | Objetivo principal | Coordinar a varias personas, tareas y ejecutores. | Organizar tareas continuas y contexto en torno a distintos Bots. | Multitarea personal y una experiencia de asistencia continua. | | Organización del trabajo | Router, Workers, registros de tareas y suscripciones a eventos. | Los Bots mantienen sus propios contextos y utilizan recursos compartidos. | Las conversaciones principales y secundarias organizan el trabajo. | | Contexto y memoria | Organización del contexto por tareas y eventos, con estado persistente. | Contexto de trabajo organizado por Bot. | Memoria persistente que los usuarios pueden inspeccionar y editar. | | Entorno de ejecución | Los usuarios configuran la máquina anfitriona y el repositorio. | Los Bots de una misma cuenta comparten un ordenador persistente en la nube. | Una máquina virtual dedicada proporciona funciones de navegador, archivos y terminal. | | Material disponible para desarrolladores | Código fuente, documentación de arquitectura y diseño experimental. | Funciones del producto y documentación pública. | Funciones del producto, presentaciones públicas y explicaciones de investigación. | Referencias: [documentación de Grok Bot](https://docs.x.ai/grok-bot/overview), [presentación de Muse](https://introducing.muse.ai/) y [diseño de seguridad de Muse](https://research.meta.ai/blog/security-and-safety-for-ai-agents-our-approach-with-muse). ## Benchmarks de DeepSeek Super Agent: latencia y consumo de tokens Los [experimentos preliminares](https://offloop.org/es/learn/exploring-deepseek-super-agent-design#section-7) utilizan aproximadamente 300 mensajes, de los que unos 20 son solicitudes de trabajo. El resto incluye conversación informal, seguimientos, solicitudes de parada y notificaciones de CI. Cada configuración se ejecutó cinco veces. Los retrasos simulados de herramientas sustituyen la programación real, por lo que el experimento mide la planificación y la coordinación. No evalúa la calidad del código generado, la revisión humana ni el tiempo de corrección. ![Las curvas acumuladas de llegada de solicitudes de trabajo y finalización de tareas comparan Super Agent con otras tres configuraciones de planificación en cinco ejecuciones.](https://offloop.org/editorial/learn/deepseek-super-agent/ablation-study-original.jpg) El negro representa las solicitudes de trabajo entrantes; las curvas de colores muestran las tareas completadas por cada configuración, como promedio de cinco ejecuciones. Los intervalos entre mensajes y las duraciones del trabajo simulado se redujeron a una cuarta parte; las duraciones de las llamadas al modelo no se redujeron. ![Los resultados experimentales publicados comparan los tiempos de finalización P50 y P95 y los tokens de cuatro configuraciones de planificación.](https://offloop.org/editorial/learn/deepseek-super-agent/experiment-results.webp) Tiempos de finalización de tareas y consumo de tokens en cuatro configuraciones, cada una ejecutada cinco veces con trabajo de programación simulado. Benchmarks de DeepSeek Super Agent: latencia y consumo de tokens | Configuración | Tiempo de finalización, P50 | Tiempo de finalización, P95 | Tokens de lectura de caché por ejecución | | ------------------------------------------------------------ | --------------------------- | --------------------------- | ---------------------------------------- | | Super Agent | 12,4 min | 15,7 min | 23,23M | | Super Agent sin entrega directa por suscripción | 12,6 min | 15,5 min | 31,77M | | Sesión única + subagentes, prompt neutro | 20,4 min | 29,5 min | 6,05M | | Sesión única + subagentes, prompt que prioriza la delegación | 13,8 min | 29,0 min | 10,82M | P50 es la mediana; P95 describe el extremo de las tareas que tardan más en completarse. M representa millones de tokens. Destacan tres resultados. **Primero, la orquestación de referencia cambia sustancialmente la comparación.** Super Agent reduce la mediana del tiempo de finalización aproximadamente un 39 % frente a la referencia con prompt neutro, pero alrededor de un 10 % frente a la que prioriza la delegación. La referencia neutra no invocó ningún subagente en sus cinco ejecuciones; la que prioriza la delegación delegó en cuatro de las cinco. Esto respalda un argumento arquitectónico concreto: separar la coordinación de la ejecución reduce la dependencia de que el modelo decida si debe delegar cada trabajo. **Segundo, la entrega directa por suscripción reduce principalmente la sobrecarga.** Al eliminarla, los tiempos de finalización se mantienen similares, pero los tokens de lectura de caché aumentan de 23,23M a 31,77M, aproximadamente un 37 %. Expresado a la inversa, activarla reduce el consumo de lectura de caché aproximadamente un 27 % frente a ejecutarlo sin ella. **Tercero, una menor latencia implica un mayor consumo de tokens.** Super Agent utiliza aproximadamente 3,8 veces los tokens de lectura de caché de la referencia neutra y 2,1 veces los de la que prioriza la delegación. Ese volumen no se traduce directamente en una factura: el coste total también depende del precio de lectura de caché, de los demás tokens de entrada y salida y de la infraestructura. ### Análisis técnico: estado de las tareas, enrutamiento y ejecución La decisión de implementación más sólida es sacar el plano de control de tareas del contexto del modelo. Los Tickets registran las tareas y su alcance autorizado, los Assignments vinculan las tareas con la ejecución y el Engine gestiona las transiciones de estado. Los eventos de los hilos suscritos llegan directamente a los Workers correspondientes, reduciendo las decisiones de enrutamiento basadas en el modelo. Esto aporta más que la propia topología Router–Worker: los mecanismos programados gestionan la responsabilidad de las tareas y la entrega de eventos, mientras los modelos se encargan del criterio semántico y la ejecución. Consulta la [documentación pública de arquitectura](https://github.com/deepseek-ai/dsh-superagent-prototype/blob/main/docs/007-architecture.md). Para la colaboración, el beneficio práctico es que una tarea ya no existe solo en la memoria de alguien o en la transcripción de una conversación. Los registros explícitos conservan sus relaciones aunque los participantes cambien de sesión. La integración también añade carga operativa. Un coordinador de larga duración, las fuentes de eventos, el estado persistente, los entornos de ejecución y las políticas de autorización requieren mantenimiento. El sistema sigue necesitando decisiones fiables sobre si una solicitud crea una tarea, actualiza una existente o requiere intervención humana. Vemos Super Agent como una arquitectura que merece la pena estudiar y aprovechar. Sus mecanismos de estado de tareas, autorización y enrutamiento de eventos pueden ser útiles por separado. Para tareas previsibles con responsabilidades claras, una delegación más sencilla sigue siendo una referencia útil. ## Casos de uso y limitaciones de DeepSeek Super Agent Super Agent es especialmente relevante para equipos que reciben solicitudes continuas por chat, Issues y pull requests, ejecutan varias tareas a la vez y mantienen la participación humana en las aclaraciones y revisiones. ![La evaluación sigue las solicitudes entrantes, la coordinación y la aceptación humana, y mide la revisión, las correcciones y el coste.](https://offloop.org/editorial/learn/deepseek-super-agent/workflow-fit.svg) Evalúa las mejoras de coordinación junto con la revisión humana, las correcciones y los costes operativos. Las principales limitaciones son: * **El prototipo público se centra en un flujo más limitado.** Organiza el trabajo en torno a un repositorio, GitHub y la integración opcional con Feishu. El artículo más amplio también trata la ejecución en distintos dispositivos, el funcionamiento en la nube y la supervisión continua. * **Los registros de tareas conservan el estado, pero la exactitud del contenido necesita mecanismos adicionales.** Los Tickets, los Assignments y los registros de eventos ayudan a establecer quién hace qué. * **Los directorios de trabajo separados aíslan principalmente los archivos y el contexto de cada tarea.** Los Workers se ejecutan con el usuario del sistema operativo que ejecuta el servicio y pueden acceder a los archivos disponibles para ese usuario. Por eso, la documentación de despliegue recomienda una cuenta de sistema dedicada que contenga solo las credenciales del agente. Consulta la [guía de despliegue](https://github.com/deepseek-ai/dsh-superagent-prototype/blob/main/docs/006-deployment.md). * **La ejecución en paralelo añade trabajo de coordinación y revisión.** Los Workers que modifican código relacionado pueden producir implementaciones duplicadas, conflictos de fusión o interpretaciones inconsistentes. Las [cuestiones abiertas](https://offloop.org/es/learn/exploring-deepseek-super-agent-design#section-8) del artículo reflejan estos retos. Dividir el Router puede aumentar la capacidad de procesamiento y, a la vez, debilitar el contexto compartido. Ampliar los participantes y los dispositivos de ejecución exige límites más claros para el contexto, los permisos y las credenciales. ## Configurar DeepSeek Super Agent: repositorio de GitHub e instalación El [repositorio de DeepSeek Super Agent en GitHub](https://github.com/deepseek-ai/dsh-superagent-prototype) incluye el código fuente, [SETUP.md](https://github.com/deepseek-ai/dsh-superagent-prototype/blob/main/SETUP.md) y una [guía de despliegue](https://github.com/deepseek-ai/dsh-superagent-prototype/blob/main/docs/006-deployment.md). ![Preparar el entorno, instalar el repositorio y el perfil, iniciar el servicio y completar la configuración.](https://offloop.org/editorial/learn/deepseek-super-agent/setup-workflow.svg) Preparar el entorno, instalar el repositorio y el perfil, y después iniciar y configurar el servicio. ### 1. Requisitos de DeepSeek Super Agent Los requisitos documentados incluyen: * Node.js 22.19 o posterior, o 24 o posterior, y pnpm. * Git 2.32 o posterior, Python 3.8 o posterior y tmux. * GitHub CLI 2.48 o posterior. * Un proveedor de modelos configurado. * Un repositorio de GitHub de destino. * Una cuenta de GitHub dedicada al agente y reglas que definan quién puede asignar trabajo. ### 2. Clonar el repositorio de GitHub y seguir SETUP.md Clona el repositorio: ```bash git clone https://github.com/deepseek-ai/dsh-superagent-prototype.git dsh-superagent cd dsh-superagent ``` Para configurarlo con un agente de programación, utiliza: ```text Read SETUP.md in this repository and set up dsh-superagent with me. ``` El proceso establece el repositorio de destino, la cuenta del agente, los usuarios autorizados y el proveedor de modelos. ### 3. Instalar y ejecutar DeepSeek Super Agent Utiliza estos comandos para crear un perfil. Comprueba primero si ya existe uno para evitar sobrescribir su configuración. ```bash npm install -g @deepseek-ai/dsh@0.2.1-rc.3 pnpm@11.7.0 pnpm install pnpm build dsh superagent --from-default-profile web --dump-config > /dev/null dsh plugin --profile superagent add "link:$PWD" cp examples/profile.cordis.patch.yml ~/.dsh/profiles/superagent/cordis.patch.yml ``` Establece `stateDir` con la ruta absoluta que quieras utilizar y después inicia el servicio: ```bash scripts/dsh-superagent start scripts/dsh-superagent status ``` En la primera ejecución, el código de salida `3` puede indicar que la configuración está incompleta. Abre la interfaz de configuración en la dirección que aparece en los registros de inicio y configura el modelo, el repositorio de destino, la identidad de GitHub, los usuarios autorizados y el directorio de trabajo. ## Preguntas frecuentes sobre DeepSeek Super Agent ### ¿DeepSeek Super Agent es de código abierto? ¿Es gratuito? El prototipo público utiliza la licencia MIT. Ejecutarlo requiere inferencia de modelos y cómputo, con costes de uso del modelo, infraestructura y mantenimiento. ### ¿Pueden varias personas asignar tareas al agente? Sí. Las reglas de identidad y autorización configuradas determinan quién puede asignar y actualizar tareas. ### ¿Puede Super Agent ejecutar tareas que detecta por sí mismo? La ejecución automática requiere configurar reglas de autorización. En el modo de observación predeterminado, el sistema identifica y registra trabajo inferido sin ejecutarlo. ### ¿Super Agent es un nuevo modelo de DeepSeek? Super Agent es una arquitectura de sistema que se ejecuta sobre DeepSeek Harness. Organiza modelos, herramientas, eventos y sesiones de ejecución. El modelo configurado realiza la comprensión, el razonamiento y la generación de código subyacentes. ## Referencias El artículo técnico original de DeepSeek Super Agent se publicó en chino. Hemos traducido el artículo completo al español, con sus diagramas originales: [Explorando el diseño de Super-agent: hacia sistemas de agentes más autónomos — Traducción completa al español](https://offloop.org/es/learn/exploring-deepseek-super-agent-design) * [\[1\] Sitio web de DeepSeek](https://www.deepseek.com/en/) * [\[2\] Sitio web de DeepSeek Harness](https://www.deepseek.com/en/harness/) * [\[3\] DeepSeek en X — @deepseek\_ai](https://x.com/deepseek_ai) * [\[4\] DeepSeek Harness en X — @DeepSeekHarness](https://x.com/DeepSeekHarness) * [\[5\] Repositorio de DeepSeek Harness en GitHub](https://github.com/deepseek-ai/deepseek-harness) * [\[6\] Repositorio del prototipo de DeepSeek Super Agent en GitHub](https://github.com/deepseek-ai/dsh-superagent-prototype) * [\[7\] Instrucciones de configuración de Super Agent](https://github.com/deepseek-ai/dsh-superagent-prototype/blob/main/SETUP.md) * [\[8\] Guía de despliegue](https://github.com/deepseek-ai/dsh-superagent-prototype/blob/main/docs/006-deployment.md) * [\[9\] Diseño de autorización](https://github.com/deepseek-ai/dsh-superagent-prototype/blob/main/docs/002-authorization.md) * [\[10\] Diseño de ejecución](https://github.com/deepseek-ai/dsh-superagent-prototype/blob/main/docs/003-execution.md) * [\[11\] Arquitectura del prototipo público](https://github.com/deepseek-ai/dsh-superagent-prototype/blob/main/docs/007-architecture.md) * [\[12\] Artículo original de DeepSeek Harness en X](https://x.com/DeepSeekHarness/status/2116857257245987236) 6 de noviembre de 2026