DeepSeek ha presentato DSH SuperAgent, un’architettura sperimentale di automazione dello sviluppo software progettata per gestire più agenti di programmazione attraverso un sistema centralizzato di coordinamento e distribuzione delle attività. La soluzione, sviluppata dal gruppo DeepSeek Harness, rappresenta un’evoluzione degli strumenti di coding agentico sui quali l’azienda cinese sta lavorando dal maggio 2026, con l’obiettivo di ampliare le proprie capacità oltre la semplice fornitura di modelli linguistici. Il 31 ottobre il gruppo ha pubblicato una documentazione tecnica dedicata alla progettazione di sistemi agentici maggiormente autonomi, accompagnata dal rilascio su GitHub del codice sorgente del progetto dsh-superagent. L’architettura affronta il problema della supervisione continua richiesta dagli assistenti di programmazione tradizionali, nei quali uno sviluppatore deve ancora assegnare manualmente numerose attività, controllarne l’avanzamento e coordinare i risultati. La proposta di DeepSeek consiste nell’introdurre un livello organizzativo capace di individuare le richieste provenienti dall’ambiente di lavoro, assegnarle a più agenti specializzati e raccoglierne gli esiti, riducendo il numero di interventi necessari per gestire contemporaneamente operazioni di sviluppo differenti.
Il progetto è organizzato attorno alla separazione tra Router e Worker. Il Router costituisce il componente responsabile del coordinamento: monitora le conversazioni del gruppo di sviluppo e gli eventi provenienti da GitHub, interpreta le attività che possono richiedere un intervento e distribuisce i compiti agli agenti operativi. I Worker eseguono invece le singole operazioni in ambienti indipendenti, consentendo di avviare parallelamente modifiche al codice, analisi dei problemi e correzioni degli errori. Questa struttura distingue il processo decisionale relativo all’assegnazione delle attività dall’effettiva esecuzione delle operazioni di programmazione. La gestione separata dei Worker consente al sistema di mantenere attivi più flussi di lavoro senza doverli concentrare in un’unica sessione sequenziale. La documentazione descrive inoltre un modello nel quale il coordinatore può utilizzare informazioni provenienti dalle comunicazioni del team e dagli strumenti di gestione del repository per stabilire quando sia opportuno attivare un agente, mantenendo le operazioni entro regole preventivamente autorizzate.
Un esempio applicativo riguarda l’identificazione di un malfunzionamento segnalato durante una conversazione tra sviluppatori. Se il problema rientra nelle categorie di intervento consentite, il sistema può riconoscere la necessità di una correzione, incaricare un Worker di analizzare il codice e avviare la preparazione della modifica. Una volta completata l’attività, l’agente può proporre una pull request su GitHub, rendendo disponibile il cambiamento per la revisione da parte degli sviluppatori. Il processo non comporta necessariamente l’applicazione automatica e definitiva di ogni modifica, poiché la revisione del codice rimane un passaggio importante del ciclo operativo. DeepSeek ha dichiarato di utilizzare internamente una versione del proprio SuperAgent anche per attività reali di correzione degli errori e gestione delle osservazioni emerse durante le code review. L’automazione viene quindi applicata non soltanto alla produzione del codice, ma anche all’individuazione delle richieste, alla gestione del lavoro in parallelo e alla preparazione dei contributi da sottoporre al team.
La valutazione sperimentale presentata dall’azienda riguarda soprattutto l’efficienza del coordinamento delle attività. DeepSeek ha simulato un ambiente contenente circa 300 messaggi e 20 richieste di lavoro, confrontando i tempi necessari per completare le operazioni con quelli di un approccio basato su una singola sessione. Nella configurazione multiagente, il 95% delle attività è stato completato entro 15,7 minuti, rispetto ai 29,5 minuti richiesti dal sistema di riferimento. La riduzione del tempo associato a questa soglia corrisponde a circa il 47%, evidenziando il vantaggio ottenuto attraverso l’esecuzione parallela e la distribuzione automatica dei compiti. Il miglioramento temporale è stato tuttavia accompagnato da un maggiore utilizzo di token memorizzati nella cache. Questo elemento indica che l’ottimizzazione della durata complessiva delle operazioni non equivale necessariamente a una diminuzione delle risorse consumate e richiede una valutazione separata dei costi di inferenza e dell’utilizzo dell’infrastruttura.
I risultati non costituiscono una dimostrazione di superiorità nella qualità del codice rispetto a Claude Code di Anthropic o Codex di OpenAI. Gli esperimenti hanno misurato principalmente l’efficienza nella gestione di più attività e non sono stati presentati come un confronto diretto delle capacità di programmazione, della correttezza delle modifiche o della stabilità operativa in ambienti produttivi. Entrambi i sistemi concorrenti dispongono già di funzionalità dedicate ai sottoagenti, all’elaborazione parallela e alle attività eseguite in background. DeepSeek ha inoltre specificato che il codice pubblico rappresenta un prototipo di ricerca e non una versione commerciale definitiva. L’implementazione distribuita è stata progettata per coordinare più attività all’interno di un singolo progetto software e non include ancora tutte le funzionalità di automazione presenti nei sistemi sperimentali interni dell’azienda. La corrispondenza tra quanto verificato nella sperimentazione e quanto effettivamente disponibile agli sviluppatori deve quindi essere considerata alla luce di queste differenze.
Lo sviluppo di DSH SuperAgent si inserisce in un percorso avviato con la costituzione del gruppo Harness nel maggio 2026, affidato alla guida dell’ingegnere Cui Tianyi, proveniente da Jane Street. Dopo il potenziamento dell’organico nel mese di giugno, il gruppo aveva pubblicato ad agosto DeepSeek Harness, un ambiente open source destinato allo sviluppo di strumenti agentici. Il nuovo progetto estende questo lavoro alla gestione coordinata di più agenti e alla loro integrazione con i processi collaborativi utilizzati dagli sviluppatori. Il codice di dsh-superagent è stato reso disponibile sotto licenza MIT, consentendone l’utilizzo anche in progetti commerciali, ed è stato progettato per supportare l’integrazione di modelli AI differenti. Questa impostazione permette a DeepSeek di proporre un’infrastruttura di orchestrazione non necessariamente dipendente da un unico modello proprietario. Il progetto rappresenta dunque l’ampliamento delle attività dell’azienda verso strumenti operativi di sviluppo software, pur rimanendo necessario verificarne ulteriormente l’affidabilità, il consumo di risorse, la gestione degli errori e le prestazioni in condizioni produttive reali.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI).