DeepSeek kembali bikin ribut, tapi kali ini bukan soal model bahasa baru. Pada 31 Oktober 2026, tim DeepSeek Harness merilis prototipe bernama Super-agent DeepSeek di GitHub, sebuah agen coding open source berlisensi MIT yang kerjanya proaktif tanpa disuruh. Kabarnya langsung dibandingkan dengan Claude Code milik Anthropic, tepat beberapa minggu sebelum Anthropic masuk bursa.
Saya sempat baca dokumen desainnya, dan yang paling menarik justru bukan klaim performanya. Yang menarik adalah alasan mereka membangun sistem ini: manusia dianggap jadi penghambat, bukan modelnya.
Apa itu Super-agent DeepSeek dan kenapa fokusnya atensi manusia
Repo-nya bernama dsh-superagent-prototype, deskripsinya cuma satu baris: “Towards a More Autonomous Agent System”. Sampai 2 November pagi, repo itu sudah dikumpulkan lebih dari 7.900 bintang dan hampir 800 fork, padahal baru dibuat dua hari sebelumnya.
Artikel desainnya ditulis Yujia Qiao, orang yang juga membangun sistemnya, dan dipublikasikan di WeChat pada 31 Oktober. Di situ dia bilang arsitektur yang dia jelaskan belum semuanya ada di kode yang dirilis. Jadi prototipe ini baru sebagian dari gambaran besarnya.
Masalah yang mereka bidik sederhana. Agen AI sekarang bekerja satu sesi demi satu sesi. Kalau kamu punya lima tugas jalan bersamaan, kamu harus pindah-pindah tab dan mengingat konteks masing-masing. Tim DeepSeek menulis bahwa satu orang biasanya cuma sanggup memantau tiga sampai lima sesi aktif. Lewat dari itu, ada yang kelewat.
Kesimpulan mereka: satu tugas dibatasi kemampuan model, tapi multitasking dibatasi atensi manusia. Super-agent dirancang supaya batasan kedua itu hilang. Agennya harus kontinu, efisien, proaktif, dan persisten. Persisten artinya selalu online dan bisa pulih sendiri kalau ada yang rusak.
Satu router, banyak worker
Arsitekturnya dibagi dua lapis. Lapis pertama adalah Router yang hidup terus. Router ini yang ngobrol dengan manusia, membagi pekerjaan, tapi tidak mengerjakan tugas apa pun. Karena cuma mengatur, dia bisa jalan di model yang lebih ringan dan bahkan tidak butuh akses Bash.
Lapis kedua adalah Worker. Ini sesi terisolasi dengan toolset lengkap dan biasanya pakai model terkuat. Worker lapor ke router, dan cuma router yang menjawab manusia. Jadi kamu tidak perlu memantau lima worker sekaligus, cukup satu pintu.
Masukan ke sistem ini disebut Trigger. Isinya bisa chat grup, email, pengingat kalender, komentar code review, sampai hasil CI. Semua lewat filter aturan dulu berdasarkan sumber, grup, atau pengirim. Yang lolos baru dinilai model. Kalau ada follow-up di thread yang sudah dipegang worker tertentu, pesannya langsung diteruskan ke worker itu tanpa mampir ke router lagi.
Ada juga sesi terpisah bernama Watchdog yang rutin mengecek apakah tiap worker masih maju. Kalau mandek, Watchdog yang membetulkan. DeepSeek juga mengusulkan agent loop-nya jalan di cloud, sementara mesin kerja tetap di tempatnya dengan daemon kecil untuk mengeksekusi perintah. Mereka menyebut ini sejalan dengan ide Anthropic soal memisahkan “otak” dari “tangan”.
Aturan “diam-diam reproduksi lalu perbaiki”
Bagian yang paling beda dari Claude Code ada di sini. Instance yang DeepSeek pakai internal memantau satu grup chat publik. Tanpa ada yang menandai namanya, agen itu bisa melacak akar masalah sebuah bug lalu mengirim perbaikan.
Ada aturan bernama “silently reproduce and fix”. Setiap laporan masalah dikerjakan di latar belakang. Agen hanya bersuara kalau sudah berhasil mereproduksi masalahnya dan menemukan perbaikan yang simpel. Kalau tidak yakin, dia diam. Ini kebalikan dari asisten yang selalu berkomentar di setiap pesan.
Dalam satu contoh, satu tugas bisa berpindah dari chat grup ke pull request GitHub tanpa manusia menyambung benangnya. Buat saya ini bagian yang paling menarik sekaligus paling gelisah. Agen yang bergerak tanpa dipanggil memang mengurangi kerja, tapi juga mengurangi rasa kendali.
Baca juga: Microsoft Pakai AI Tambal 1.102 Celah Keamanan Windows, Rekor Sepanjang Sejarah
Hasil uji internal: 12,4 menit lawan 29,5 menit
Di bagian 7.1 dokumen desainnya, tim DeepSeek membandingkan empat konfigurasi memakai simulasi aliran chat grup dan hasil CI. Tiap konfigurasi dijalankan lima kali, tiap percobaan berisi sekitar 300 pesan. Dari jumlah itu, kira-kira 20 pesan adalah permintaan kerja, sisanya obrolan, follow-up, perintah berhenti, dan pesan otomatis.
Pekerjaan coding-nya diganti tool yang cuma menunggu, dan interval pesan dipotong jadi seperempat. Jadi yang diukur koordinasi dan penjadwalan, bukan kualitas kode. Hasilnya, Super-agent menyelesaikan tugas dalam 12,4 menit di median dan 15,7 menit di persentil 95.
Pembanding Super-agent DeepSeek di uji ini adalah sesi tunggal yang punya tool subagent. Dengan prompt netral, sesi itu tidak pernah mendelegasikan tugas di lima percobaan, dan waktu persentil 95-nya menyentuh 29,5 menit. Setelah dipaksa mendelegasikan lewat prompt, dia melakukannya di empat dari lima percobaan, tapi tetap lebih lambat dari Super-agent.
Perlu dicatat, semua angka soal Super-agent DeepSeek ini datang dari pengukuran timnya sendiri di lingkungan simulasi. Belum ada uji independen, dan tidak ada benchmark kualitas kode. Angka 12,4 menit itu soal seberapa cepat pekerjaan dibagi dan diselesaikan, bukan seberapa bagus hasilnya.
Harga yang dibayar: token cache naik 37 persen
Jalan pintas selalu ada ongkosnya. Karena memelihara banyak sesi sekaligus, Super-agent membaca token cache lebih banyak dibanding sesi tunggal.
Waktu fitur direct routing ke worker dimatikan, waktu penyelesaian hampir sama, tapi router mengambil sekitar 30 persen lebih banyak keputusan. Bacaan cache naik dari 23,23 juta jadi 31,77 juta token per percobaan, sekitar 37 persen lebih tinggi.
Di uji beban terpisah, jumlah event dinaikkan dari 1 ke 40 per menit. Ukuran batch naik dari 1 ke 2,8 event, sementara waktu inferensi per keputusan turun dari 6,4 detik ke 1,6 detik. Artinya sistemnya tetap bisa mengejar, tapi biaya token tetap naik. Buat tim yang bayar API per token, ini angka yang wajib dihitung sebelum tergiur.
Yang bisa dicoba sekarang
Prototipe Super-agent DeepSeek sendiri sederhana: dia memantau satu repo GitHub, bisa juga nyambung ke chat Feishu kalau diaktifkan, dan punya panel web kecil untuk menampilkan hal-hal yang butuh atensi manusia.
Cara instalnya cukup malas, sesuai selera tim ini. Kamu disuruh menyuruh coding agent lain membaca file SETUP.md di repo, lalu biarkan dia yang mengurus sisanya. Saya belum coba sendiri, jadi saya belum bisa bilang ini mulus atau tidak.
Yang penting, halaman repo-nya menulis dengan huruf tebal bahwa ini “Research prototype for reference only, not an official DeepSeek product”. Jadi jangan pasang di repo produksi kantor dan berharap ada dukungan resmi.
Risiko yang DeepSeek sendiri akui
Dokumennya tidak menyembunyikan masalah keamanan. DeepSeek menyarankan pekerjaan yang tidak diminta dijalankan dalam mode observe dulu, jadi agen cuma mencatat apa yang akan dia lakukan tanpa benar-benar mengeksekusi.
Mereka juga menyarankan pakai akun GitHub terpisah untuk agen, dan belum mengaktifkan auto-merge. Alasannya jelas: executor di prototipe ini menjalankan perintah tanpa persetujuan, dengan hak akses user sistem operasi yang menjalankannya.
Prompt injection dan kredensial yang bocor disebut sebagai risiko utama. Kesimpulan mereka sendiri: sistem ini baru layak dipakai di lingkaran kecil yang saling percaya. Bagi perusahaan, itu artinya belum waktunya dilepas ke tim besar tanpa pengawasan.
Baca juga: Celah Kritis PHP Bikin Situs Pemerintah Eropa Offline, 70 Persen Web Dunia Terancam
Konteks: Anthropic menuju bursa
Waktu peluncurannya tidak netral. Bloomberg melaporkan DeepSeek merilis agen ini beberapa minggu sebelum Anthropic diperkirakan masuk bursa. Sejak awal Oktober, Anthropic memang dikabarkan mengejar IPO paling cepat pertengahan November.
Anthropic juga tidak diam. Mereka sudah merilis asisten yang bergerak lebih dulu, bukan menunggu dipanggil, walau baru untuk pengguna di Amerika Serikat. Arah industri jelas sama: agen yang mengambil inisiatif, bukan yang menunggu perintah.
Di sisi lain, GitHub mencatat lebih dari 40 persen pull request pada September 2026 dimulai dari draft pertama buatan agen AI. Liu Ming, salah satu pendiri High-Flyer yang menaungi DeepSeek, juga pernah bilang ke SCMP bahwa tantangan terbesar rekayasa perangkat lunak dengan AI sekarang bukan kecepatan, tapi reliabilitas.
Jadi, penantang Claude Code atau eksperimen?
Menurut saya dua-duanya, dan itu tidak saling bertentangan. Sebagai produk, Super-agent belum ada apa-apanya. Belum ada harga, belum ada dukungan, dan penulisnya sendiri bilang kodenya cuma rujukan.
Tapi sebagai arah, dokumen ini serius. Gagasan bahwa bottleneck sudah pindah dari kecerdasan model ke atensi manusia itu masuk akal, dan solusinya masuk akal juga: satu pintu untuk manusia, banyak pekerja di belakang. Kalau bagian yang paling mahal dari kerja coding adalah kamu yang harus mengingat konteks lima tugas sekaligus, maka mengotomatiskan bagian itu memang masuk hitungan.
Yang belum terjawab: apakah agen yang bergerak tanpa dipanggil bisa dipercaya di repo yang berisi kode orang lain. DeepSeek sendiri menjawabnya dengan mode observe dan akun terpisah, yang artinya mereka juga belum yakin.
Buat kamu yang mau ngulik sendiri, kode Super-agent DeepSeek terbuka dan lisensinya MIT. Baca dulu bagian keamanannya sebelum menjalankan apa pun. Jangan mulai dari repo produksi, mulai dari repo latihan yang kalau rusak tidak bikin kamu kena marah.
Sumber
1. GitHub: deepseek-ai/dsh-superagent-prototype
2. MACCUS: DeepSeek open-sources a coding agent prototype
3. Bloomberg via Yahoo Finance: DeepSeek Drops Enhanced Coding Agent With Aim to Rival Anthropic
4. Bloomberg: Anthropic Targets November IPO
