DeepSeek ایجنت کدنویسیِ Super-Agent را متن‌باز کرد

DeepSeek نمونه‌ی پژوهشی Super-Agent را با مجوز MIT منتشر کرد؛ ایجنتی که از گفتگوی تیم درخواست می‌گیرد و pull request می‌دهد. جزئیات و محدودیت‌ها.

DeepSeek ایجنت کدنویسیِ Super-Agent را متن‌باز کرد

DeepSeek روز شنبه ۱۰ آبان ۱۴۰۵ (۱ نوامبر ۲۰۲۶) طرحِ یک ایجنتِ کدنویسی به نام Super-Agent را در یک مقاله‌ی WeChat معرفی کرد و کدش را با مجوزِ MIT روی GitHub گذاشت (مخزنِ dsh-superagent). این ایجنت درخواستِ تیم را می‌گیرد، در یک نشستِ جدا روی آن کار می‌کند و نتیجه، مثلاً یک pull request، را در همان رشته‌ی گفتگو برمی‌گرداند. گزارش‌ها از The Next Web و MarkTechPost است.

Super-Agent چه می‌کند؟

  • روی یک مخزنِ GitHub کار می‌کند و به Feishu، پیام‌رسانِ کاریِ بایت‌دنس، گوش می‌دهد.
  • فقط وقتی فرد مجاز بخواهد یا قاعده‌ی خودِ تیم اجازه بدهد وارد عمل می‌شود؛ هر کار در نشستِ جداگانه اجرا می‌شود.
  • پنلِ وب مواردی را که به انسان نیاز دارند نشان می‌دهد.
  • هدف: کمترین مزاحمتِ ممکن برای تیمِ انسانی.

چه چیزی را نباید بزرگ کرد؟

DeepSeek خودش آن را «نمونه‌ی پژوهشی» می‌نامد و می‌گوید محصولِ رسمیِ DeepSeek نیست. README هم می‌گوید کدِ عمومی با نسخه‌ی داخلی فرق دارد و برخی ایده‌ها هنوز پیاده نشده‌اند. بنچمارکی هم منتشر نشده است. MarkTechPost عددی از شبیه‌سازی (کاهش زمانِ p95 کار از ۲۹٫۵ به ۱۵٫۷ دقیقه) آورده، ولی The Next Web هیچ عددِ عملکردی نیاورده و این رقم را باید فقط نتیجه‌ی شبیه‌سازی دانست.

برای انجام عملیِ همین کار می‌توانی از چت جی پی تی فارسی در هوش نو استفاده کنی.

چرا مهم است؟

ایجنت‌های کدنویسی دارند از «دستیارِ داخلِ ویرایشگر» به «همکاری که در گفتگوی تیم حضور دارد» تبدیل می‌شوند. باز بودنِ کد به تیم‌ها اجازه می‌دهد معماری را ببینند و تغییر دهند. در همین زمینه، پژوهشی نشان داده بود کیفیتِ کار بیشتر به ساختارِ ایجنت و هزینه‌ی توکن بستگی دارد تا فقط مدل: مطالعه‌ی harness ایجنت‌های کدنویسی. The Next Web یادآوری می‌کند پژوهشی در ژانویه نشان داده ایجنت‌های تیمی به‌طور میانگین حدود ۳۰ درصد موفقیتِ کمتری از ایجنتِ تنها داشته‌اند، هرچند Super-Agent در آن آزمون نبوده است.

این یعنی چه برای کاربر فارسی‌زبان؟

برنامه‌نویس‌های فارسی‌زبان می‌توانند کد را بخوانند و روی مخزنِ خودشان امتحان کنند؛ ولی چون اتصالش به Feishu است، برای تیم‌هایی که از این پیام‌رسان استفاده نمی‌کنند باید اتصال را عوض کنند. برای آشنایی با خودِ DeepSeek راهنمای DeepSeek را ببینید. اگر فقط می‌خواهید کد بنویسید یا خطا را رفع کنید، در ابزارهای هوش‌نو می‌توانید با DeepSeek و مدل‌های دیگر گفتگو کنید.

سؤالات متداول

آیا Super-Agent محصولِ رسمیِ DeepSeek است؟

نه؛ خودِ DeepSeek آن را نمونه‌ی پژوهشی و «محصولِ رسمی نیست» توصیف کرده است.

مجوزش چیست؟

MIT؛ استفاده و تغییرش آزاد است.

آیا بنچمارکِ رسمی دارد؟

نه، بنچمارکِ رسمی منتشر نشده و تنها عددِ شناخته‌شده از شبیه‌سازی است.

اگر می‌خواهید امتحان کنید

مخزن با مجوزِ MIT منتشر شده، پس می‌توانید آن را روی یک مخزنِ آزمایشی اجرا کنید و رفتارش را ببینید. چند احتیاط معقول وجود دارد: ایجنت را فقط روی مخزنی بدونِ کدِ حساس راه بیندازید، فهرستِ افرادِ مجاز را کوچک نگه دارید، هر pull request را مثلِ کدِ یک همکارِ تازه‌کار بازبینی کنید، و دسترسی‌هایش را به حداقل برسانید. چون خودِ README می‌گوید بخشی از ایده‌ها هنوز پیاده نشده‌اند، انتظارِ یک محصولِ کامل نداشته باشید.

جایگاهش کجاست؟

شرکت‌های دیگر هم ایجنت‌هایی ساخته‌اند که در محیط‌های کاری حضور دارند؛ تفاوتِ این نمونه باز بودنِ کد و تمرکزش روی «حداقلِ توجهِ انسانی» است. هنوز معلوم نیست در کارهای واقعیِ تیمی چقدر خوب جواب می‌دهد، چون بنچمارکِ مستقلی برایش منتشر نشده است.

جمع‌بندی

Super-Agent بیشتر یک نمونه‌ی آموزنده است تا یک محصولِ آماده: نشان می‌دهد DeepSeek درباره‌ی ایجنت‌های تیمی چگونه فکر می‌کند و کدی می‌دهد که بشود از آن یاد گرفت. چون بنچمارکِ رسمی ندارد و بخشی از ایده‌ها هنوز ساخته نشده، پیش از اتکا به آن در کارِ واقعی باید با احتیاط و روی پروژه‌ی آزمایشی امتحانش کرد. اگر مسیرِ این پروژه عوض شد یا نتیجه‌ی مستقل منتشر شد، همین‌جا به‌روز می‌کنیم.

نویسنده نعیم حشم‌بان بنیان‌گذار و سردبیرِ هوش نو

نعیم حشم‌بان بنیان‌گذارِ هوش نو است و هر روز مدل‌های تازه‌ی هوش مصنوعی را امتحان می‌کند تا آموزش و بررسیِ ساده و دقیق به زبانِ فارسی بنویسد.