DeepSeek entschied: Der Engpass ist Ihre Aufmerksamkeit, nicht das Modell

Am 31. Oktober veröffentlichte das DeepSeek-Harness-Team eine technische Notiz mit dem Titel „Super-agent: Design-Exploration hin zu einem stärker autonomen Agentensystem“. Begleitend wurde ein Prototyp veröffentlicht.
Die Argumentation beginnt an einer für ein Modellunternehmen ungewöhnlichen Stelle. Sie setzt nicht bei der Leistungsfähigkeit an. Sie beginnt bei einer Grenze auf menschlicher Seite: Eine Person kann drei bis fünf aktive Sitzungen verfolgen, bevor die Qualität einbricht. Wenn man mehrere Aufgaben parallel laufen lässt, wechselt man am Ende manuell den Kontext und merkt sich, welche Unterhaltung welche Entscheidung enthält. Die Obergrenze bei einer einzelnen Aufgabe kommt vom Modell. Die Obergrenze bei mehreren Aufgaben kommt von Ihnen.
Das ist ein Systemproblem, und DeepSeek hat es auch so behandelt.
Router und Worker
Die Architektur besteht aus zwei Schichten. Ein Router läuft kontinuierlich als globaler Koordinator. Er empfängt Nachrichten aus den Kanälen, die Sie ohnehin nutzen, darunter Gruppenchats, GitHub und E-Mail, und verteilt Aufgaben. Jeder Worker hält seinen eigenen Kontext und führt parallel aus: einen Fehler reproduzieren, einen Pull Request prüfen, ein Feature bauen. Ein Worker kann einen Subagenten aufrufen, wenn eine Aufgabe weiter aufgefächert werden muss.
Darum herum gruppieren sich vier Mechanismen: ereignisgesteuerte Zuweisung mit zweistufiger Filterung, asynchrone Multi-Channel-Interaktion, Trennung von Speicher und Rechenleistung und ein externer Watchdog.

Der ereignisgesteuerte Teil ist der Ort, an dem die Autonomiebehauptung lebt. In der internen Instanz, die DeepSeek betreibt, kann ein Teammitglied, das in einem Gruppenchat ein Softwareproblem meldet, den Agenten auslösen, ohne ihn zu erwähnen. Das System erkennt einen möglichen Defekt, reproduziert ihn im Hintergrund und sucht nach einem Fix. Niemand hat diese Aufgabe zugewiesen. Nichts hat auf einen Prompt gewartet.
DeepSeek nennt vier Eigenschaften, auf die es abzielt: kontinuierlich, d. h. ein Agent über IM und GitHub hinweg statt isolierter Sitzungen; effizient, d. h. eine neue Anweisung wartet nicht, bis die vorherige Aufgabe abgeschlossen ist; proaktiv, d. h. er beobachtet Umgebungsereignisse und handelt, wenn etwas Aufmerksamkeit verdient, bleibt ansonsten aber still; und persistent, d. h. immer eingeschaltet, an echte Arbeitsumgebungen angebunden und in der Lage, sich bei langen Läufen von Fehlern zu erholen.
Das Beispiel, das das Team nennt, ist lehrreich. Angenommen, Sie schlagen in einem Chat Plan A vor und ändern dann im Kommentar zu einem Pull Request Ihre Meinung und schlagen Plan B vor. Ein sitzungsgebundener Agent müsste darüber informiert werden. Der Super-agent soll es bemerken und die Richtung anpassen.
Der ehrliche Disclaimer
DeepSeek stellt klar, dass dies eine Engineering-Exploration ist und keine Ankündigung von Produktfunktionen. Das Team sagt außerdem, dass das Design keine neue Theorie einführt. Es wendet klassische Systemideen, wie sie seit Jahrzehnten in Betriebssystemen und verteilten Systemen existieren, auf die Konstruktion von Agenten an.
Diese Bescheidenheit ist zutreffend und zugleich das Interessanteste an dem Dokument. Der schwierige Teil von Agenten im großen Maßstab ist Kontextmanagement, Scheduling, Fehlerwiederherstellung und Observability – also Infrastrukturarbeit und nicht Arbeit an der Intelligenz.
Die Zahlen, die fünf Tage später kamen
Am 5. November veröffentlichte dasselbe Team Community-Zahlen für DeepSeek Harness. Gemessen an den Nutzern der offiziellen API erreichten die täglich aktiven Nutzer am 4. November 1,54 Millionen, die monatlich aktiven Nutzer 5,48 Millionen, und der tägliche Token-Verbrauch lag bei rund 92 Billionen.
Rechnen Sie nach. 92 Billionen Tokens auf 1,54 Millionen täglich Aktive sind rund 60 Millionen Tokens pro aktivem Nutzer und Tag. Keine Chat-Anwendung erzeugt ein solches Profil. Agenten schon. Eine einzelne Coding-Aufgabe mit langem Horizont kann in einer Stunde mehr Tokens verbrauchen, als eine Person in einem Monat in ein Chatfenster tippt.
Die Plugin-Zahlen sind wichtiger dafür, wohin das führt. Drittanbieter-Plugins sind auf etwa 35.000 gewachsen, und rund 60 % der aktiven Nutzer haben mindestens eines erstellt oder installiert. DeepSeek sagt, man werde die Stabilität und Kompatibilität der Plugin-API verbessern, das Plugin-Sicherheitsmodell stärken und einen offiziellen Marktplatz aufbauen; ein Supportprogramm für Plugin-Autoren sei in Vorbereitung.
Das ist ein Plattform-Schachzug. Sobald Plugins der Vertriebskanal sind, konkurriert das Harness über das Ökosystem und nicht mehr allein über die Modellqualität.
Warum das außerhalb von DeepSeek wichtig ist
Drei Dinge lassen sich auf jedes Team übertragen, das Agenten in Produktion betreibt.
Erstens: Die Schnittstelle ist die bestehende. Der Agent taucht im Gruppenchat und in Pull-Request-Kommentaren auf, statt ein neues Ziel zu verlangen. Photoshop hat nie verlangt, dass Nutzer eine neue App lernen; es lebte im Dokument. Agentenplattformen lernen dieselbe Lektion.
Zweitens: Aufmerksamkeit ist eine Ressource mit einer harten Grenze, und sie ist diejenige, die niemand skaliert. Man kann mehr GPUs kaufen. Man kann nicht mehr von der Fähigkeit einer Person kaufen, vier Kontextstränge gleichzeitig zu halten. Jede Architekturentscheidung, die Koordination vom Menschen auf das System verlagert, gewinnt den knappsten Input im Loop zurück.
Drittens: Das operationelle Risiko landet beim Selbsthosting der Koordinationsschicht. Ein Agent, der handelt, ohne erwähnt zu werden, braucht einen Watchdog, denn der Fehlermodus ist still: Er tut etwas Vernünftiges, nach dem niemand gefragt hat, um 3 Uhr morgens, in einem Repository, das wichtig ist.
Der Teil, der noch fehlt
Das Dokument behandelt keine Kostenkontrolle. Ein Router, der Arbeit verteilt, und Worker, die Fehler nach ihrem eigenen Zeitplan reproduzieren, werden aus eigener Initiative Geld ausgeben. Die Zahl von 92 Billionen Tokens deutet darauf hin, dass die Ausgaben bereits groß sind; wie viel davon Arbeit erzeugt hat, die jemand wollte, wird nicht offengelegt.
Ebenso wenig behandelt es das Review-Problem. Wenn ein Agent als Reaktion auf eine Chatnachricht einen Pull Request öffnen kann, muss ihn jemand prüfen. DeepSeeks Rahmen ist, dass Menschen auf Zielsetzung und Abnahme hochrücken. Das funktioniert, wenn die Abnahme billig zu beurteilen ist. In den meisten Engineering-Organisationen ist die Beurteilung, ob ein Fix korrekt ist, der teure Teil, und sie schrumpft nicht, weil der Agent schneller geworden ist.
Der Teil, der wie ein Betriebssystem klingt
Zieht man das KI-Vokabular ab, liest sich das Super-agent-Dokument wie ein Paper über Job-Scheduling. Ein langlaufender Koordinator empfängt Ereignisse, klassifiziert sie und verteilt Arbeit an isolierte Kontexte. Speicher und Rechenleistung skalieren getrennt, damit eine stockende Aufgabe nicht den Speicher hält, den eine laufende braucht. Ein externer Watchdog startet alles neu, was aufhört zu berichten. Eine zweistufige Filterung existiert, damit das System nicht für jede Nachricht in einem Gruppenchat einen Menschen aufweckt.
Das sind gelöste Probleme in verteilten Systemen. In Agentenprodukten sind sie ungelöst, weil die meisten Agentenprodukte als Chatsitzung mit angehängten Tools gebaut wurden und eine Chatsitzung kein Konzept von gleichzeitiger Arbeit hat.
Die interessante Konsequenz ist organisatorisch. Wenn die Koordinationsschicht Sitzungsmanagement wirklich übernimmt, verändert sich die Aufgabe der Person im Loop: Statt ein Tool zu bedienen, schreibt sie Abnahmekriterien. DeepSeek beschreibt den Menschen als jemanden, der auf Zielsetzung und Verifikation hochrückt. In der Praxis bedeutet das, dass die entscheidende Fähigkeit sich vom Prompt-Schreiben hin zum Wissen darum verschiebt, wie „fertig“ aussieht – eine Managementfähigkeit, die deutlich schwerer zu vermitteln ist.
DeepSeeks eigene Zusammenfassung lautet, dass diese Arbeitsweise für die Mensch-Maschine-Zusammenarbeit normal werden könnte. Der Mechanismus ist glaubwürdig. Die offene Frage ist, ob Organisationen sich um einen Koordinator herum neu organisieren, der nie schläft, oder ob sie einen einfach an Prozesse anschrauben, die für Menschen entworfen wurden, die schlafen.
Verwandte Artikel
Eine community-gepflegte Tabelle von Taps, die Werbung in chinesischen Android-Builds abschaltet
Es fasst das System nicht an, entsperrt nichts, flasht nichts. Es legt nur die Schalter um, die die Hersteller ohnehin vorgesehen haben. Der Preis ist eine Liste, die jemand weiterführen muss.
GPT Image 2.6 hielt den Tokenpreis und erhöhte die Rechnung
GPT Image 2.6 übernimmt jeden Tokenpreis von 2.5 und kostet pro Bild dennoch mehr, weil ein größerer Teil der Arbeit in Ausgabe-Token landet. Elf Tage nach dem Start sagt die Preisstruktur mehr als jede Rangliste.
Jemand hat IDM von außen nachgebaut und aufgeschrieben, was er nicht angefasst hat
Eine Rust-Neuimplementierung von Internet Download Manager verspricht 5x Tempo und 86 Sprachen. Das interessantere Dokument ist der Absatz, der erklärt, wie sie ohne jede Kopie entstanden ist.
Rune ist ein Rust-UI-Framework, das gebaut wurde, damit ein Agent seine eigene Arbeit prüfen kann
Rune rendert headless, gibt seinen Elementbaum aus und nimmt geskriptete Eingaben an. Damit bekommt ein Coding-Agent ein Signal zum Diffen, das ein Screenshot nie liefert. Das Framework ist Pre-Release und nimmt keine Pull Requests an.