DeepSeek открыла код агента, который сам берёт задачи из GitHub и пишет код
DeepSeek выложила код dsh-superagent — агента, который сам подхватывает задачи из GitHub, а не ждёт их в чате. Например, в репозитории появилась заявка «падает экспорт при пустой дате»: агент заведёт отдельную сессию, поправит код и откроет Pull Request — предложение правок для проверки человеком. Это прототип, а не продакшн, поэтому брать его стоит как пример архитектуры.
AI-обработка оригинала TG: @ai_machinelearning_big_data (Machinelearning); редакция Hamidun News
Большинство coding-ассистентов устроены одинаково: разработчик открывает чат, описывает задачу, ждёт ответ и копирует результат. DeepSeek выложила в открытый доступ проект dsh-superagent, где эту схему переворачивают. Агент сам следит за GitHub, где команда заводит задачи (issue), берёт их в работу, правит код и открывает Pull Request — заявку на включение правок в основную ветку, которую потом проверяет человек. Всё это без ручной передачи задачи в чат.
Проект — экспериментальная система на базе DeepSeek Harness, рассчитанная на автоматизацию разработки в команде. Код лежит на GitHub в репозитории deepseek-ai/dsh-superagent-prototype под лицензией MIT, написан на TypeScript.
Как это работает на практике
Представьте, что в репозитории завели задачу: «Падает экспорт отчёта при пустой дате». Обычно кто-то из команды берёт тикет, создаёт ветку, чинит, открывает Pull Request и пишет в обсуждении, что готово. Здесь большую часть этой цепочки проходит агент.
По описанию DeepSeek, он умеет следующее:
- следит за событиями GitHub и сообщениями в Feishu (корпоративный мессенджер, популярный в Китае);
- принимает задачи только от авторизованных участников команды;
- создаёт отдельную рабочую сессию для каждой задачи, так что задачи не мешают друг другу;
- самостоятельно работает с кодом и готовит Pull Request;
- возвращает результат в исходное обсуждение, откуда пришла задача;
- показывает в веб-панели те задачи, где нужен человек.
Отдельная сессия на задачу — разумное решение. Когда агент разбирает несколько тикетов подряд в одном контексте, он путает файлы и тащит в новую правку следы старой. Изоляция снижает этот риск, хотя в исходном описании нет данных о том, насколько именно.
Принцип «меньше внимания разработчика»
Авторы формулируют архитектурную идею так: минимум внимания разработчика, максимум полезной автономной работы. Агент действует по запросу или по заранее заданным правилам и не отвлекает команду без необходимости. Всё, что требует решения человека, попадает в веб-панель. Разработчик заглядывает туда сам, а не получает поток уведомлений.
Для продакт-менеджеров и тимлидов это интересный сдвиг. Вопрос уже не в том, какая модель лучше пишет код, а в том, как встроить агента в процесс: кто имеет право ставить ему задачи, где он отчитывается, когда подключается человек. Проверка авторизации участников и панель для ручного вмешательства показывают, что DeepSeek думает именно об этом.
Ограничения и что с этим делать
DeepSeek прямо предупреждает: это исследовательский прототип, а не готовое production-решение. Ещё одна деталь: часть кода проекта тоже написана AI-агентами. Звучит эффектно, но это и повод читать репозиторий внимательнее, прежде чем что-то из него переносить.
Чего в описании нет: бенчмарков, статистики принятых Pull Request, сравнения с другими агентами, данных о стоимости запусков. Поэтому оценивать качество работы агента пока нечем, кроме собственного эксперимента. Интеграция с Feishu тоже может оказаться неудобной для команд, которые сидят в Slack или Telegram. Придётся дописывать адаптер, а MIT-лицензия это разрешает.
Что делать практикам:
- если вы строите собственного агента для разработки, изучите, как в проекте устроены сессии, правила запуска и панель задач — это готовый пример структуры;
- если хотите пробовать, начните с песочницы и репозитория без чувствительного кода, а доступ дайте узкому кругу людей;
- не выпускайте автоматические Pull Request в основную ветку без человеческого ревью.
Сам по себе релиз не обещает революции: это прототип с открытым кодом. Но он показывает, куда смещается рынок. Агенты перестают быть окном чата и становятся участниками команды: с очередью задач, правами доступа и отчётами в тех же обсуждениях, где работают люди. Для разработчиков это возможность посмотреть на такую архитектуру изнутри и заимствовать из неё то, что подходит их процессу.
- 21 нояб. 2026 г.MLCommons начал мерить ИИ-API под реальной нагрузкой: 7 замеров для агентов
- 21 нояб. 2026 г.Через OpenRouter три дня отвечала взломанная DeepSeek: отказы упали с 83–98% до 1%
- 21 нояб. 2026 г.Алиса, ChatGPT и Perplexity ссылаются лишь на 34 из 309 площадок для статей
- 21 нояб. 2026 г.CoreWeave замерила Vera Rubin: до 10 раз больше токенов на мегаватт, чем у GB200
Вопросы и ответы по материалу
Что известно по теме: как это работает на практике?
Представьте, что в репозитории завели задачу: «Падает экспорт отчёта при пустой дате». Обычно кто-то из команды берёт тикет, создаёт ветку, чинит, открывает Pull Request и пишет в обсуждении, что готово. Здесь большую часть этой цепочки проходит агент.
Что известно по теме: принцип «меньше внимания разработчика»?
Авторы формулируют архитектурную идею так: минимум внимания разработчика, максимум полезной автономной работы. Агент действует по запросу или по заранее заданным правилам и не отвлекает команду без необходимости. Всё, что требует решения человека, попадает в веб-панель. Разработчик заглядывает туда сам, а не получает поток уведомлений. Для продакт-менеджеров и тимлидов это интересный сдвиг.
Что известно по теме: ограничения и что с этим делать?
DeepSeek прямо предупреждает: это исследовательский прототип, а не готовое production-решение. Ещё одна деталь: часть кода проекта тоже написана AI-агентами. Звучит эффектно, но это и повод читать репозиторий внимательнее, прежде чем что-то из него переносить. Чего в описании нет: бенчмарков, статистики принятых Pull Request, сравнения с другими агентами, данных о стоимости запусков. Поэтому оценивать качество работы агента пока нечем, кроме собственного эксперимента.
Протестируйте новые LLM и мультимодальные модели в одном окне
Платформа Nomad AI (nomadnet.ai) даёт прямой доступ к Claude Opus 5.5, GPT-6, Gemini 3.1, DeepSeek и автономным агентам без VPN, зарубежных карт и зоопарка подписок.
Главное из мира ИИ — раз в неделю
7 ключевых событий недели, отобранных вручную. Без шума, репостов и пресс-релизов.
Готово! Проверьте почту — мы отправили подтверждение.