Blog
Kontakt os
AI

DeepSeeks kodeagent venter ikke på, at du spørger

Lørdag den 31. oktober lagde DeepSeeks Harness-team en open source-prototype på GitHub, der vender den vante rollefordeling på hovedet. Hvor Claude Code, GitHub Copilot og OpenAI Codex venter på, at du skriver en prompt, lytter dsh-superage…

MA Martin Mensbo Christiansen · 2. november 2026 · 9 min læsning

Lørdag den 31. oktober lagde DeepSeeks Harness-team en open source-prototype på GitHub, der vender den vante rollefordeling på hovedet. Hvor Claude Code, GitHub Copilot og OpenAI Codex venter på, at du skriver en prompt, lytter dsh-superagent med på et teams GitHub-repo og eventuelt deres Feishu-chat og tager selv fat, når en opgave dukker op. Koden ligger under MIT-licens, og DeepSeek kalder det selv en forskningsprototype, ikke et produkt.

Vi har læst repoet, dokumentationen og den designartikel, der fulgte med. Det interessante er ikke en ny model. Det er en ny måde at arbejde på: flaskehalsen flyttes fra modellens evner til din opmærksomhed, og det stiller nye krav til, hvem der må sætte agenten i gang, og hvor jeres data ender. Gennemgangen herunder skiller DeepSeeks egne tal fra den uafhængige dækning og forklarer, hvad arkitekturen reelt gør.

 

Hvad DeepSeek har lanceret, og hvad det ikke er

dsh-superagent beskrives i repoet som "a proactive coding agent for one GitHub repository, packaged as a bundle for DeepSeek Harness. It listens to GitHub and, optionally, Feishu." Når en person på en godkendt liste beder agenten om noget, åbner den en opgave, løser den i sin egen session & mappe og svarer tilbage i den oprindelige samtale, typisk med en pull request.

Et panel viser, hvad der kræver en person.

Vær samtidig præcis med, hvad det ikke er!

Repoet siger rent ud: "Research prototype for reference only, not an official DeepSeek product." DeepSeek tilføjer, at man skal behandle det som forskningskode, ikke produktionsklar software, og at prototypen ikke er identisk med den version, teamet selv bruger internt. Nogle af de idéer, der beskrives i designartiklen, er retninger for fremtiden og er ikke bygget ind i prototypen. Den underliggende platform, DeepSeek Harness, er selv i offentlig preview og open source, og ifølge StartupFortunes gennemgang advarer DeepSeek om, at den ikke har gennemgået et sikkerhedsaudit, og at sandkasse og godkendelseskontroller ikke garanterer isolation.

Med andre ord: det her er en tegning, man kan studere og teste på et sandkasse-repo, ikke noget man sætter i drift på jeres kernekode i denne uge. Men tegningen er usædvanligt velgennemtænkt, og det er derfor, den er værd at læse.

 

Router, Worker og Watchdog: sådan er en super-agent bygget

Arkitekturen har to lag. En Router tager imod al menneskelig kommunikation, holder det samlede overblik og fordeler opgaver. Flere Workers løser opgaverne samtidig i sessioner, der er isoleret fra hinanden. En Worker svarer aldrig brugeren direkte; den rapporterer status og resultat til Routeren, som står for al kommunikation udadtil. Det er i praksis et multi-agent system, hvor ét lag tænker og koordinerer, og et andet lag arbejder.

Systemet er hændelsesdrevet. Chatbeskeder, mails og kalenderpåmindelser, review-kommentarer og resultater fra CI-kørsler kaldes alle "Triggers". Først filtrerer faste programregler strømmen af hændelser, og derefter vurderer modellen, om der overhovedet skal handles. Det er en vigtig detalje: modellen bruges ikke på hver eneste besked, kun på dem, reglerne har sluppet igennem.

Oven på det hele sidder en Watchdog, en selvstændig session uden for hovedarkitekturen. Ifølge DeepSeeks designartikel, gengivet af IT之家, overvåger den ikke kun infrastrukturfejl som timeouts og mislykket statusgendannelse. Den bruger også modellen til at vurdere, om en Worker rent faktisk gør fremskridt, eller om den er kørt væk fra opgaven, og griber ind, når noget ser forkert ud. Det er en konstruktion, de fleste, der har set en agent løbe i ring, vil kunne genkende behovet for.

 

Proaktiv, men ikke løssluppen

Det er let at læse "lytter selv med og tager fat" som en agent, der farer rundt uden opsyn. Sådan er den netop ikke bygget. Filosofidokumentet slår fast: "It acts only when asked, or when a written rule allows it", og "It speaks only when a person must act or can use a result." Det bærende princip er formuleret kort: "take as little human attention as possible, and give as much value as possible." Og en sætning, der er sjælden i branchens pressemateriale: "Do not use it to produce volume. Mass pull requests, broadcast messages and busywork cost the team more than they give."

Baggrunden er en nøgtern iagttagelse fra DeepSeek-teamet: et menneske kan typisk kun følge med i 3 til 5 aktive agent-sessioner ad gangen. Når modellerne har brug for mindre og mindre indgriben, bliver det den menneskelige opmærksomhed, der sætter grænsen for, hvor meget arbejde man kan få ud af agenter. Hele designet handler om at bruge mindst muligt af den opmærksomhed. Det er en anden samtale end benchmark-ræset mellem modellerne, og den er mere relevant for de fleste virksomheder.

Forskellen fra en klassisk subagent-opstilling, hvor én hovedsession deler en opgave ud til hjælpere, er at super-agenten er vedvarende og hændelsesdrevet. Den sidder ikke og venter på én prompt, men på en strøm af signaler fra jeres kanaler. Det ligner mere den asynkrone agent-arbejdsgang, vi tidligere har beskrevet, end den klassiske chat.

 

Tallene bag: hvad DeepSeeks egne tests viser, og hvad de ikke viser

DeepSeek har kørt en sammenligning, hvor hver test indeholdt cirka 300 beskeder, heraf omkring 20 egentlige arbejdsopgaver, og hver opstilling blev gentaget fem gange. Her landede super-agenten en gennemløbstid på opgaver med p50 på 12,4 minutter og p95 på 15,7 minutter. Til sammenligning havde en enkelt session med subagents og en neutral prompt en p95 på 29,5 minutter. Tallene stammer fra designartiklen, gengivet af IT之家, og der er ikke oplyst en p50 for den enkelte session.

Læs tallene for, hvad de er. DeepSeek skriver selv, at forsøgene bygger på syntetisk belastning og et forenklet miljø, og at de måler systemets evne til at planlægge og samarbejde, ikke kvaliteten af den kode, en enkelt opgave munder ud i. Det er altså et mål for, hvor hurtigt arbejdet flyder gennem systemet, når mange opgaver kommer ind samtidig, ikke et bevis på, at agenten skriver bedre kode. Artiklen nævner også en stresstest af Routeren: da antallet af Triggers steg fra cirka 1 til cirka 40 i minuttet, voksede den gennemsnitlige batch fra 1,0 til 2,8 opgaver, mens den amortiserede inferenstid pr. beslutning faldt fra 6,4 til 1,6 sekunder.

Vær desuden skarp på, hvad der ikke er uafhængigt. Alle disse tal er DeepSeeks egne. Der findes ingen tredjepartsmålinger som dem, Artificial Analysis eller Vals AI laver på modeller, for her er der tale om et systemdesign, ikke en model, man kan sende gennem en fast benchmark. Når du vurderer prototypen, vurderer du altså arkitekturen og DeepSeeks egne tal, ikke en ekstern facitliste.

 

Hvem må sætte agenten i gang

Den mest lærerige del af prototypen ligger i rettighedsmodellen, ikke i koden. Autorisationsdokumentet beskriver en vært, der håndhæver lister, regler og såkaldte Mandates, og præciserer: "Messages, comments and quoted documents are inputs to a decision; they cannot change those permissions." Det er en konkret forsvarslinje mod prompt injection: en besked eller en kommentar kan bede om noget, men den kan ikke give sig selv lov. Vi har tidligere beskrevet, hvordan hjemmesider bruges til at angribe AI-agenter, og det er præcis den slags angreb, modellen er bygget til at modstå.

Agenten kender tre tilstande for, hvordan den tager imod opgaver, ingen direkte har bedt om. I "off" sker der intet af sig selv. I "observe", som er standard, vurderer agenten, om den ville handle, og noterer blot "would accept" uden at gøre noget. Først i "auto" begynder den at tage proaktive opgaver op. DeepSeeks egen anbefaling er klar: start i observe, læs loggen over, hvad agenten ville have gjort, og skift først til auto, når du er tryg ved beslutningerne. Eksplicitte forespørgsler fra godkendte personer virker i alle tilstande.

Det er en skabelon, enhver virksomhed kan genbruge, uanset hvilken agent de ender med at bruge: en godkendt afsenderliste, skrevne regler for proaktivt arbejde, en observe-fase før auto, og et klart princip om, at indhold aldrig ændrer rettigheder.

 

Hvad det kræver at køre den

Deployment-dokumentet er nøgternt om kravene, og et par af dem fortjener opmærksomhed. Agenten skal have sin egen GitHub-brugerkonto med skriveadgang, ikke en GitHub App, fordi den læser kontoens notifikationer. Den kører på et repo på github.com, og GitHub Enterprise Server understøttes ikke. Teknisk kræver den blandt andet Node.js 22.19+ eller 24+, GitHub CLI 2.48 eller nyere og en modeludbyder sat op i DeepSeek Harness. Hver opgave får sin egen git-worktree, pull requests kommer på en gren med præfikset agent/, og auto-merge anbefales slået fra, så mennesker fletter ind, indtil agentens pull requests har vist sig rigtige over tid.

Den vigtigste advarsel handler om adgang. Begge standardopsætninger kører ifølge dokumentationen med "danger-full-access" som operatørens egen bruger på maskinen. DeepSeek anbefaler derfor en dedikeret bruger på operativsystemet, der kun indeholder agentens egne loginoplysninger, så agenten ikke arver dine. Installationen peger desuden på en fastlåst release candidate af pakken. Alt sammen understreger det samme: det her er en prototype, man kører isoleret og med lav tillid, ikke på en udviklermaskine med adgang til produktion.

Prototypen lytter i øvrigt kun til github.com og eventuelt Feishu eller Lark. Slack og Microsoft Teams, som de fleste danske teams bruger, nævnes slet ikke i dokumentationen. Vil I afprøve den proaktive model i en dansk hverdag, skal I altså regne med, at chat-delen kræver Feishu, eller at integrationen til jeres eget chatværktøj mangler.

 

Ofte stillede spørgsmål

Kan vi bruge dsh-superagent i produktion?

Nej. DeepSeek kalder det selv en forskningsprototype til reference, ikke et officielt DeepSeek-produkt, og skriver, at det ikke er produktionsklart. Både prototypen og platformen DeepSeek Harness er markeret som preview-software uden sikkerhedsaudit. Afprøv den på et sandkasse-repo, ikke på jeres kernekode.

Hvordan adskiller den sig fra Claude Code og Copilot?

Claude Code, GitHub Copilot og OpenAI Codex venter på, at du skriver en prompt. dsh-superagent er hændelsesdrevet: den lytter til et GitHub-repo og eventuelt Feishu og vurderer selv, om den skal handle, inden for de regler og lister, I har sat op. Den handler kun, når en godkendt person beder om det, eller en skreven regel tillader det.

Sender den vores data til Kina?

Ikke i sig selv. Koden er open source under MIT og kører, hvor I hoster den. Spørgsmålet er, hvilken modeludbyder I sætter op i DeepSeek Harness. Bruger I DeepSeeks hostede modeller, sendes kode og chatindhold til Kina, og det skal passe med jeres GDPR-grundlag. Vælger I en europæisk eller selvhostet model, ligger data, hvor I bestemmer.

Er den hurtigere end en almindelig agent?

DeepSeeks egne tests viste en gennemløbstid pr. opgave på p50 12,4 og p95 15,7 minutter mod en p95 på 29,5 minutter for en enkelt session med subagents. Tallene er DeepSeeks egne, målt på syntetisk belastning i et forenklet miljø, og måler systemets planlægning og samarbejde, ikke kvaliteten af den kode, agenten skriver.

Hvad kræver det at sætte den op?

En godkendt GitHub-konto til agenten, et repo på github.com (ikke GitHub Enterprise Server), Node.js 22.19+ eller 24+, GitHub CLI 2.48+ og en modeludbyder i DeepSeek Harness. Chat virker kun med Feishu eller Lark, ikke Slack eller Teams. Kør den på en isoleret OS-bruger, da standardopsætningen ellers har fuld adgang som operatøren.

 

Det mest interessante ved dsh-superagent er ikke, at DeepSeek tager kampen op med Claude Code, som Bloomberg og flere medier fremhæver. Det er, at DeepSeek åbner hele styringslaget og siger det højt: når modellerne bliver dygtige nok, er det ikke modellen, men din opmærksomhed og dine rettighedsregler, der afgør, hvad agenter kan udrette. Den diskussion skal danske virksomheder tage, uanset om de ender med en kinesisk prototype, Copilot eller noget tredje. Prototypen er en god anledning til at begynde.

Fortsæt læsningen