コンテンツにスキップ
メインサイト ニュース コンソール

DeepSeek、Agent基盤アーキテクチャをオープンソース公開

· 量子位
国内AI

AIが自律的にバグを発見し、PRを提出可能に

夢瑶 凹非寺より

DeepSeekにまた新たな動きがありました!

今回、公式が Personal Agent の基盤アーキテクチャ設計思想を直接公開しました。

これまで多くの開発者が噂の「dsh dot」を心待ちにしていましたが、DeepSeekが先んじて発表したのは、実践的なエンジニアリングに焦点を当てたシステムアーキテクチャの解説でした——

Super-agent:より自律的なAgentシステムへの進化

これが何を意味するのか?AIが人間にメンション(@)されたり指示を受けたりすることなく、自律的にバグを発見・特定し、さらには自発的に修正PRまで提出できるようになったということです。

Image 3

それだけでなく、業務チャットの会話を常時モニタリングし、クロスプラットフォームで協調動作し、複数の複雑なタスクを並行処理しながら、24時間365日の常時オンライン稼働を実現しています。

DeepSeekチームは初期の実測データも公開しています。模擬的なマルチタスク協調環境において、Super-agentのタスク完了時間の中央値は12.4分、95パーセンタイルは15.7分となり、従来の単一セッション方式のテスト結果を大幅に上回るパフォーマンスを示しました。

これは、AIが「人間からの指示を1つずつ待つ」受け身の運用から脱却し、「能動的に課題を発見し、継続的かつ自律的に前進させる」新たなフェーズへ踏み出したことを示しています。

メンションなしでもAIが自律的にバグを特定しPRを提出

日常のソフトウェア開発において、エンジニアは複数のプラットフォームを行き来することが多々あります。ビジネスチャット(IM)のグループで技術方針を議論し、GitHubにコードをプッシュし、PRのレビューコメントに応じて実装を修正する、といった流れです。

しかし従来のCoding Agentでは、こうした一連の操作が別々のセッションに分断されがちでした。ユーザーは各セッションの進捗を把握しておかなければならず、前後の経緯をAIに手動で説明し直す必要がありました。

DeepSeekチームはテクニカルレポートの中で、人間が同時に追跡できるアクティブなセッション(Session)数は、通常せいぜい3〜5個程度にとどまるという観察結果を指摘しています。

これにより、モデルの単一タスク処理能力がいくら向上しても、マルチタスク協調の全体的な効率は人間の注意力(コンテキストスイッチ)のボトルネックに制約されてしまうという、根本的な矛盾が生じていました。

Image 4

Super-agentは、まさにこのペインポイントを解消するために誕生しました。

DeepSeekチームの社内運用インスタンスでは、同一の開発タスクがチャットでのやり取りからGitHub PRのレビューまで、全プロセスにわたってシームレスに連携しています。

例えば、チャットで「アプローチAを採用する」と決定した後に、GitHubのコメント欄で「アプローチBに変更してほしい」と指示された場合でも、Super-agentは両者が同一のタスクであることを正確に認識し、それに応じて後続の実行戦略を自律的に調整します。

ユーザーから見れば対話相手は常に同一のAgentであり、バックグラウンドの複数のセッション状態はシステム側で自動的に協調・スケジューリングされます。さらに、Agent自身が能動的にワークフローへ介入してきます。

Image 5

この能力を支えているのが、**投機的実行(Speculative Execution)**と呼ばれるコアメカニズムです。

これは、AIが処理が必要になりそうなタスクを検知した時点で、バックグラウンドで先回りして先行実行を試みる仕組みです。

例えば、業務チャットで特定のバグに関する議論が始まると、Super-agentはバックグラウンドで自発的に再現テストや原因の特定を試みます。簡潔で実現可能な修正案が見つかれば能動的にユーザーへ提示し、有効な結論が得られなかった場合は、人間の業務を邪魔しないよう沈黙を保ちます。

この仕組みはパーソナルアシスタントのユースケースにも応用できます。ミーティングの招待を受け取った際、AIが事前にスケジュールのバッティングを確認し、背景情報を検索・整理したうえで、返信の下書きまで作成。ユーザーは内容を確認して送信を承認するだけで済みます。

これは、DeepSeekがSuper-agentに定めた4つの核となる特徴と見事に合致しています。

  • 連続性(Continuous):セッション間やプラットフォーム間をまたいでタスクのコンテキストを維持し、前提情報の再入力を不要にする。
  • 高効率(Efficient):複数の複雑なタスクを並行して推進可能。時間のかかる処理があっても新たなユーザー操作をブロックしない。
  • プロアクティブ(Proactive):実行環境の変化を常にセンシングし、必要に応じて自発的に行動を起こす。
  • 持続性(Persistent):24時間常時オンライン稼働が可能で、異常発生時には自動リカバリを試行する。

Image 6

このため、DeepSeekは2層構造のアーキテクチャを構築しました:

  • 上層 Router:外部からのメッセージを受け取り、タスクの割り当てを統括し、グローバルコンテキストを維持する全体スケジューラとして機能。
  • 下層 Worker:独立したAgentセッションの集合からなる具体的な実行ユニット。複数のWorkerが互いに干渉することなく並行して処理を実行。

さらに注目すべきは、DeepSeekが独自に導入した**イベント購読・直通メカニズム(Direct Routing)**です。

例えば、特定のWorkerがGitHub PRタスクを引き受けると、そのPRの今後のコメントを直接購読できます。新たなレビューコメントが投稿された際、メッセージはRouterを経由して再解析されることなく、そのWorkerへ直接配信されます。

この設計により、進行中の既存タスクは専任のWorkerが継続してフォローし、新規タスクは迅速にルーティング・割り振られるため、システム全体の協調処理効率が飛躍的に向上しています。

24時間常時稼働と自己修復:ベンチマークでもより安定した完了時間を実証

Super-agentの長期的な自律稼働を支えるには、マルチタスクの並行処理だけでなく、メッセージフラッドのフィルタリング、タスクスレッドのブロッキング、システムの異常リカバリといったエンジニアリング上の難題を解決する必要があります。

まず挙げられるのがメッセージフィルタリング機構です。

Agentが業務チャット、GitHub、メールなど複数の情報ソースに同時に接続すると、膨大なメッセージが次々と流入してきますが、実際にレスポンスが必要なものはごく一部にすぎません。

DeepSeekは2段階のイベントフィルタリング設計を採用しています:

  1. まず軽量なルールエンジンを用いて、無関係なメッセージを事前に遮断します。
  2. 次に、残ったイベントを行動が必要かどうかLLMに評価させます。この設計により、無駄なトークン消費を大幅に削減しています。

次に、タスクブロッキングの課題に対して、Super-agentは**非同期ReActループ(Async ReAct Loop)**を導入しました。

処理負荷が高く時間のかかるタスクを実行中であっても、先行タスクの完了を待つことなく、ユーザーの新しい指示にリアルタイムで応答できます。この仕組みはすでに DeepSeek Harness に実装されています(現時点ではデフォルトでは無効)。

Image 7

24時間の持続的な常時接続のニーズに対して、DeepSeekは「計算ロジック、セッション状態、実行環境の分離(デカップリング)」というアーキテクチャ設計を採用しました。

Agentの意思決定や推論はクラウド上で実行され、状態データは独立して永続化ストレージに保存され、ローカルマシン側には実行環境のみが保持されます。PCのシャットダウンやネットワーク切断によってローカル環境が一時的にオフラインになっても、クラウド上のAgentはタスクのコンテキストを維持し続け、デバイスが再接続されれば即座に復帰して作業を継続します。

さらに、システムには独立した Watchdog(ウォッチドッグ)機構 も導入されています。

Watchdogは、他のAgentを監視する独立した保護モデルです。下位レイヤーのプログラムレベルのクラッシュを検知できるだけでなく、Agentが論理的な無限ループに陥っていないか、あるいは設定された目標から逸脱していないかをリアルタイムで識別し、必要に応じて能動的に介入・修復を行います。

DeepSeekチームはこれに関して一連のベンチマークテストを実施しました。

テストでは約300件のメッセージと20件の複合的なタスクリクエストを含む模擬協調環境を構築し、Super-agentと従来の「単一Session + Subagent」方式との比較実験を行いました(各構成で5回テストを実施)。

テスト結果は以下のとおりです:

  • Super-agent:タスク完了時間の中央値は 12.4分、95パーセンタイル完了時間は 15.7分。
  • 従来の単一Session方式:ニュートラルなプロンプト設定において、95パーセンタイル完了時間は 29.5分 に達した。

Image 8

もちろん、実行効率の向上とシステムのトークン消費コストはトレードオフの関係にあります。

DeepSeekのアブレーション実験結果によると、「イベント直通機構」を外した場合、Routerのスケジューリング判断の頻度が約30%増加し、Cache Tokenの読み取りコストが約37%増加することが判明しました。これは、きめ細やかなイベントルーティング戦略がAgentの運用コスト削減において極めて重要であることを証明しています。

今回の技術公開からも明らかなように、DeepSeekはAIエージェントを従来の単発的かつ直線的な対話という枠組みから完全に解放し、常駐型、マルチタスク並行、能動的レスポンス、そして自己修復を備えたエンジニアリングシステムへの転換を模索しています。

個別の複雑タスクを解決するLLMの能力が成熟するにつれ、システム全体の業務を長期・安定・自律的に推進するための仕組みづくりが、次世代Agentアーキテクチャの核心的な命題になりつつあります。

GitHubリンク:
https://github.com/deepseek-ai/dsh-superagent-prototype

#国内AI#DeepSeek#AI智能体#4Allapi.com

4All API チームによる投稿

原文リンク:https://www.qbitai.com/2026/10/506904.html

主流 AI モデル API をお探しですか?4All API は OpenAI / Anthropic / Google Gemini / Qwen / DeepSeek など数十種類のモデルを単一の API キーで呼び出せます。公式準拠の価格、エンタープライズ品質の通信路、5 分で接続完了。

4All API コンソールに登録 →