DeepSeek Superagent: ein KI-Agent, der selbst Pull Requests öffnet

DeepSeek hat auf GitHub dsh-superagent veröffentlicht. Der DeepSeek Superagent ist der Prototyp eines KI-Agenten, der ein einzelnes GitHub-Repository betreut: Er nimmt Aufträge aus dem Team an, arbeitet selbstständig daran und antwortet im selben Thread, zum Beispiel mit einem fertigen Pull Request. Der Code steht unter MIT-Lizenz, und laut ShiftDelete hat das DeepSeek-Harness-Team ihn am 31. Oktober auf WeChat angekündigt.

Was ist daran neu?

Die meisten Coding-Agenten, die wir täglich nutzen, warten darauf, dass jemand etwas im Terminal eintippt. DeepSeek Superagent funktioniert umgekehrt: Er ist ein sogenannter „proaktiver“ Agent, der das Repository (und optional Chats in Feishu, also Lark) beobachtet und von sich aus loslegt, wenn ihn jemand von der Allowlist darum bittet.

Laut README bekommt jeder Auftrag eine eigene Aufgabe, eine eigene Agent-Session und ein eigenes Verzeichnis, und das Ergebnis geht dorthin zurück, woher die Anfrage kam. Dazu gibt es ein Web-Dashboard, das nur anzeigt, was eine menschliche Entscheidung braucht.

Spannend: Die Autoren schreiben, dass der Code aus der täglichen Arbeit ihres Teams entstanden ist und ein großer Teil der Entwicklung von Coding-Agenten erledigt wurde (ein Agent, gebaut von Agenten ;) ).

Das Repository trägt die Beschreibung „Towards a More Autonomous Agent System“ und hat über 5.800 Sterne und 544 Forks (Stand 1. November). ShiftDelete berichtet, dass es die Marke von 4.000 Sternen innerhalb eines Tages geknackt hat.

Wie funktioniert DeepSeek Superagent?

Es ist keine eigenständige App, sondern ein Paket (Bundle) für DeepSeek Harness, das Agent-Harness von DeepSeek unter MIT-Lizenz, das sich noch in der Developer Preview befindet. Aus der Architektur-Dokumentation ergibt sich diese Rollenverteilung:

1. Die Hauptsession (Router) bewertet eingehende Anfragen und entscheidet, ob sie eine Aufgabe annimmt, zurückstellt oder ignoriert.
2. Ausführende Sessions (Worker) bekommen je eine Aufgabe, jede mit eigenem Verzeichnis. Sie haben keine Werkzeuge, um Menschen Fragen zu stellen, und nach Abschluss der Aufgabe werden ihre Aufrufe abgewiesen.
3. Der Pull Request ist an die Aufgabe gebunden, und die Aufgabe endet erst, wenn der PR gemergt oder geschlossen wird, nicht in dem Moment, in dem der Agent meldet, er sei fertig.

Am interessantesten ist die Philosophie des Projekts. Im Dokument zu den Grundsätzen lautet die Regel: Menschen so wenig Aufmerksamkeit wie möglich abverlangen und so viel Nutzen wie möglich liefern. Der Agent meldet sich nur, wenn jemand etwas tun muss oder mit dem Ergebnis etwas anfangen kann.

Darf der Agent ohne Nachfrage handeln?

Ja, aber nicht sofort. Das Dokument zu den Berechtigungen beschreibt drei Modi für Arbeit, um die niemand ausdrücklich gebeten hat:

1. off: Der Agent berücksichtigt nichts, worum er nicht gebeten wurde.
2. observe (Standard): Der Agent bewertet solche Anfragen, notiert aber nur, dass er die Aufgabe „angenommen hätte“, und tut nichts.
3. auto: Der Agent nimmt selbst Aufgaben an, die zu Regeln passen, die das Team vorher festgelegt hat.

Direkte Anfragen von Personen auf der Allowlist funktionieren in jedem Modus. Bots auf der Liste können höchstens Kandidaten vorschlagen, und der Agent selbst kann seine Rechte nicht erweitern: Nachrichten ändern weder die Allowlists noch die Regeln oder den Umfang der Aufgaben.

Worauf sollte man achten?

Erstens auf den Status des Projekts. Die Autoren schreiben klar, dass es sich um einen Forschungsprototyp „nur zur Ansicht“ handelt, nicht um ein offizielles DeepSeek-Produkt. Der Code kann Fehler enthalten, ist nicht produktionsreif und unterscheidet sich von der Version, die das Team intern nutzt.

Zweitens auf die Sicherheit. Laut Deployment-Dokumentation laufen beide Presets im Modus danger-full-access als unser Systembenutzer, und ein Worker kann unser Home-Verzeichnis lesen. Zur Isolation empfehlen die Autoren ein separates Systemkonto und ein separates GitHub-Konto für den Agenten (mehr zu solchen Risiken im Beitrag über KI-Agenten-Sicherheit).

Drittens auf die Voraussetzungen. Nötig sind unter anderem Node.js 22.19+ oder 24+, git 2.32+, Python 3.8+, GitHub CLI 2.48+, pnpm, tmux und ein in DeepSeek Harness konfigurierter Modellanbieter. Es funktioniert nur mit github.com, GitHub Enterprise Server wird nicht unterstützt.

Wie probiert man DeepSeek Superagent aus?

Die Installation hat ziemlich viele Schritte, deshalb übernimmt sie laut README… ein Agent. Man bittet einfach den eigenen Coding-Agenten, die Datei SETUP.md aus dem Repository zu lesen und die Konfiguration Schritt für Schritt durchzugehen (wer mit solchen Tools gerade erst anfängt, dem hilft die Claude-Code-Anleitung).

Läuft alles, öffnet man von einem freigegebenen Konto ein Issue oder schreibt einen Kommentar mit der Erwähnung @<Login des Agenten> und der Bitte. Die Aufgabe sollte innerhalb eines Abfragezyklus im Dashboard erscheinen, standardmäßig nach einer Minute. Das Modell selbst bindet man als Anbieter in DeepSeek Harness ein (DeepSeek V4.1 Flash war übrigens kürzlich kostenlos in OpenCode).

FAQ

Ist DeepSeek Superagent kostenlos?

Der Code ist Open Source unter MIT-Lizenz. Bezahlen muss man nur das Modell, das der Agent nutzt (und die Maschine, auf der er läuft).

Ist das ein offizielles DeepSeek-Produkt?

Nein. Das Repository liegt im Konto deepseek-ai, aber die Autoren beschreiben es als Forschungsprototyp, nicht als offizielles Produkt.

Funktioniert es mit GitLab oder GitHub Enterprise?

Laut Dokumentation wird nur github.com unterstützt, GitHub Enterprise Server nicht. Optional beobachtet der Agent auch Chats in Feishu (Lark).