Super Agent
Super agent: un agente, tanti worker
Cosa azzecca il design di DeepSeek e cosa si sono persi i titoli
I modelli AI ormai lavorano per ore. Le persone, però, riescono a seguire solo poche sessioni alla volta. Il super agent è un design pensato per questo nuovo collo di bottiglia: un agente con cui parli e una squadra di worker che non devi sorvegliare.
- Super Agent
- AI Agentica
- Sistemi Multi-Agente
- Sviluppo Software AI
Un super agent è un unico agente AI sempre attivo con cui parli, supportato da worker isolati che fanno il lavoro vero e proprio. Osserva i luoghi che il tuo team usa già, come chat, GitHub e strumenti di monitoraggio, decide cosa va fatto e interrompe una persona solo quando serve una decisione o c'è un risultato da vedere.
Il termine è esploso il 31 ottobre 2026, quando il team di DeepSeek Harness ha pubblicato un articolo di design e un prototipo open source chiamato dsh-superagent. Nel giro di pochi giorni sono arrivati i video, molti dei quali parlavano di "Claude Code killer".
Non lo è. È qualcosa di più utile: una risposta chiara a un problema che chiunque usi diversi agenti ha già toccato con mano. Abbiamo analizzato i video, il repository e i numeri. Ecco cosa vale la pena portarsi a casa, comprese le parti che i titoli hanno saltato.
Un mucchio di sessioni
Il router sei tu
- Scrivi un prompt per avviare ogni attività
- Ricordi tu quale scheda sta facendo cosa
- Ogni domanda aspetta te
- Il contesto delle varie attività si mescola nella tua testa
- Chiudi il portatile e si ferma tutto
Un solo super agent
Il router è il sistema
- Gli eventi dei tuoi strumenti possono avviare il lavoro
- Un agente tiene traccia di tutte le attività
- Fa una domanda chiara, solo quando serve
- Ogni attività gira nel proprio worker isolato
- Resta online anche quando tu non ci sei
Il collo di bottiglia si è spostato dal modello a te
Un anno fa il limite era ciò che un modello sapeva fare. I modelli di oggi portano a termine lavori lunghi con poca supervisione, quindi i team ne aprono di più: una sessione per una funzionalità, una per un bug, una per una review.
E lì trovano un altro muro. Secondo la stima di DeepSeek, una persona riesce di solito a seguire solo da tre a cinque sessioni attive. Oltre quella soglia dimentichi quale scheda sta facendo cosa. Passi la giornata a saltare da una all'altra, a rileggere e a rispondere a domande. Sei diventato il project manager, il sistema di messaggistica e la memoria condivisa dei tuoi stessi strumenti.
Altri server MCP e altre CLI non risolvono il problema. Rendono più potente ogni sessione, ma a tenerle insieme resti sempre tu.
Per questo il principio guida del repository non parla affatto di velocità:
Take as little human attention as possible, and give as much value as possible.
In italiano: consumare meno attenzione umana possibile e dare più valore possibile. Tutto il resto del design discende da questa frase.
Le quattro cose che un super agent deve essere
DeepSeek descrive quattro caratteristiche. Insieme sono un buon test per capire se hai davanti un super agent o solo un chatbot con qualche scheda in più.
- Continuo. Che tu lo raggiunga su GitHub, in chat o via email, sembra sempre lo stesso agente e non perde il filo.
- Produttivo. Lavora su più attività insieme e può comunque risponderti mentre sono in corso.
- Proattivo. Non aspetta che glielo chiedano. Osserva cosa succede e agisce entro le regole scritte dal tuo team.
- Persistente. È sempre attivo. Puoi scrivergli dall'aereo e il lavoro va avanti.
L'idea centrale: separare il parlare dal lavorare
Alla base c'è un compromesso. Se mandi tutto a un solo agente, lui sa tutto, ma può fare una cosa alla volta e i dettagli si mescolano. Se dai a ogni attività il suo agente, lavorano veloci in parallelo, ma nessuno ha il quadro completo e tu torni a saltare da una scheda all'altra.
La risposta di DeepSeek è dividere l'agente in due livelli.
- 01
Trigger
l'ambiente
Gli eventi sostituiscono gran parte dei prompt scritti. La maggior parte è rumore.
- chat
- GitHub
- Sentry
- risultati CI
- 02
Controllo permessi
semplice codice, nessun modello
Verifica chi ha inviato cosa e da dove. Nulla di scritto in un messaggio può cambiare l'esito.
- persone ammesse
- bot ammessi
- canali ammessi
- 03
Router
sempre attivo · non fa mai il lavoro
Gestisce tutta la comunicazione e decide chi prende ogni lavoro. Di solito basta un modello leggero e veloce.
- parla con le persone
- accetta o ignora
- assegna il lavoro
- 04
Worker
un'attività ciascuno · isolati
Ognuno ha il proprio contesto, la propria cartella, tutti gli strumenti e il modello più potente che puoi permetterti.
- ticket
- worktree
- test
- pull request
- 05
Watchdog
fuori dal ciclo principale
Gira a intervalli regolari e individua i worker bloccati, silenziosi o fuori strada.
- controllo avanzamento
- loop
- ripristino
Il router è un centralinista che non prende mai in mano la chiave inglese. È una sessione di lunga durata che gestisce ogni conversazione e distribuisce il lavoro. Non lo svolge in prima persona, e nel design di DeepSeek può funzionare anche senza accesso alla shell.
I worker sono l'opposto. Ognuno riceve una sola attività, il proprio contesto e la propria cartella di lavoro, e tutti gli strumenti che gli servono. I worker non parlano mai direttamente con le persone. Riferiscono al router, e parla lui.
Può sembrare un lead agent con i suoi subagent, ma c'è una differenza importante. Un lead agent prende un compito, lo scompone in passaggi e ne resta responsabile, quindi ogni nuovo messaggio lo interrompe. Un router decide solo chi gestisce cosa, ed è per questo che resta disponibile.
Cosa succede quando arriva un messaggio
Immagina che un collega scriva nella chat del team: "La pagina di login non funziona di nuovo da mobile."
- 01
Percorso veloce
Il codice controlla
Persona giusta? Canale giusto? Gran parte degli eventi si ferma qui, prima di qualsiasi modello.
- 02
Percorso lento
Il router decide
È lavoro nuovo? Rientra in una regola scritta dal team? Registra il perché.
- 03
Assegnazione
Parte un worker
Una sessione nuova, la sua cartella, un ticket, tutti gli strumenti.
- 04
Follow-up
Le risposte saltano il router
Il worker si iscrive al suo thread, così commenti e CI arrivano direttamente a lui.
- 05
Attenzione
Una persona approva
L'agente si fa sentire una volta, con un risultato o una domanda chiara.
Tre dettagli lo fanno funzionare meglio di quanto ci si aspetterebbe.
Un percorso veloce e uno lento. È un classico schema dell'informatica. Il codice, economico, scarta il rumore evidente, e solo ciò che supera il filtro arriva al modello, più costoso. Nel test di DeepSeek solo circa 20 messaggi su 300 erano lavoro vero, quindi questo filtro conta.
I follow-up vanno direttamente al worker. Quando un worker ha in carico una pull request, commenti di review e risultati della CI arrivano direttamente a lui. Il worker ha ancora tutto il contesto e il router non deve leggere ogni commento. Senza questa scorciatoia, nel test di DeepSeek le letture dalla cache sono aumentate di circa il 37%.
Sotto pressione, il router lavora a blocchi. Ti aspetteresti che un router solo vada in crisi nei momenti di picco. Invece gli eventi che si accumulano durante un turno vengono gestiti insieme in quello successivo. Passando da circa un evento al minuto a circa 40, le singole chiamate al modello sono un po' più lente, da 2,5 a 3,9 secondi, ma il tempo di inferenza per decisione scende da 6,4 a 1,6 secondi.
Gli altri elementi costitutivi
Router e worker si prendono gran parte dell'attenzione, ma non sono tutto il design. L'articolo di DeepSeek descrive cinque elementi:
- Due livelli. Il router e i worker descritti sopra.
- Trigger basati su eventi. Chat di gruppo, email, promemoria del calendario, commenti di review e risultati della CI sostituiscono gran parte dei prompt scritti. Questo permette anche il lavoro speculativo: con una regola del tipo "riproduci e correggi in silenzio", un worker può provare a riprodurre un bug segnalato in background e farsi sentire solo dopo aver confermato il problema e trovato una correzione semplice.
- Conversazione asincrona e multicanale. Un normale ciclo di un agente si blocca mentre lavora, come un walkie-talkie. Qui la conversazione in primo piano e il lavoro in background procedono insieme, su più canali.
- Calcolo, stato e ambiente separati. Il ciclo dell'agente può girare nel cloud, lo stato delle sessioni sta in un database, e codice e credenziali restano dove sono già, raggiunti tramite un piccolo daemon. Così si evita la fatica di tenere sincronizzata una copia cloud di ogni ambiente.
- Un watchdog esterno. Non ci si può fidare che un sistema sempre attivo si accorga da solo dei propri guasti. Una sessione indipendente, attivata da messaggi programmati, controlla che il lavoro stia davvero procedendo.
Se molto di questo ti suona familiare, è normale. In uno dei video che abbiamo analizzato, l'autore si dice apertamente un po' deluso che la grande rivelazione di un laboratorio di frontiera sia in gran parte ingegneria già nota. Per noi è la parte più rassicurante. Batching, percorsi veloci, watchdog e separazione tra calcolo e stato esistono da decenni, e funzionano ancora quando ciò che va pianificato è un modello AI.
Cosa dicono davvero i numeri
Il dato rimbalzato ovunque è "quasi due volte più veloce". È un numero reale, ma va contestualizzato.
- Attività più lente (p95) con un super agent
- 15,7 min
- Attività più lente (p95) con una singola sessione e prompt neutro
- 29,5 min
- Attività tipica (p50) con una singola sessione che delega per prima cosa, contro 12,4
- 13,8 min
- Token letti dalla cache rispetto alla singola sessione neutra
- 3,8×
Ecco il confronto completo, così come riportato dall'articolo di DeepSeek. È pubblicato in cinese, quindi ci basiamo su riassunti dettagliati in inglese delle sue tabelle, risultati coerenti tra loro:
| Configurazione | Attività mediana (p50) | Attività più lente (p95) | Token in cache per esecuzione |
|---|---|---|---|
| Super agent | 12,4 min | 15,7 min | 23,23 M |
| Super agent, senza follow-up diretti | 12,6 min | 15,5 min | 31,77 M |
| Singola sessione, prompt neutro | 20,4 min | 29,5 min | 6,05 M |
| Singola sessione, prompt "delega per prima cosa" | 13,8 min | 29,0 min | 10,82 M |
Saltano all'occhio tre cose:
- Non era un test di programmazione. Ogni esecuzione riproduceva circa 300 messaggi di chat e CI, di cui circa 20 vere richieste, con tempi compressi a un quarto di quelli reali. La programmazione era sostituita da uno strumento segnaposto che si limitava ad attendere. Misura il coordinamento, non la qualità del codice, e gli stessi autori definiscono i risultati preliminari.
- La singola sessione neutra non ha mai delegato. In cinque esecuzioni non ha mai chiamato il suo strumento per i subagent. Quindi "due volte più veloce" confronta in gran parte un sistema che distribuisce il lavoro con uno a cui nessuno ha chiesto di farlo.
- Una riga di prompt colma gran parte del divario tipico. Chiedere alla singola sessione di delegare per prima cosa elimina circa 6,6 degli 8 minuti che in mediana la separano dal super agent. Oltre l'80% del guadagno, senza nessuna nuova architettura.
Il prompt però non risolve tutto, e questa è la parte che troviamo più interessante. Il p95 si è mosso appena, restando a 29,0 minuti. In una delle cinque esecuzioni il modello ha deciso che il lavoro era abbastanza piccolo da farlo da solo, e quella singola scelta ha causato la coda lunga.
Quindi un buon prompt migliora il caso tipico, mentre l'architettura ti protegge da quello peggiore. Quando delegare è una regola del sistema e non una scelta che il modello fa ogni volta, i tempi di completamento diventano prevedibili. La vera decisione è se questa prevedibilità valga la complessità in più.
Il conto arriva dalle riletture
Ogni chiamata al modello rimanda l'intera conversazione, e gran parte viene servita dalla cache del provider a una tariffa ridotta. Un router che resta attivo e si sveglia a ogni evento, più una serie di worker con il proprio contesto, rilegge moltissimo: circa 23 milioni di token in cache per esecuzione, contro i 6 milioni della sessione neutra.
Lo stesso design può costare cifre molto diverse a seconda di dove lo esegui. Un'analisi dettagliata dei costi ha stimato queste letture in circa 0,07 dollari con il modello Flash di DeepSeek e circa 4,65 dollari con Claude Opus 5.5, per ogni giornata simulata. Sottolinea anche un punto che è facile non notare: un agente sempre attivo è inattivo per la maggior parte del tempo, quindi quanto dura la cache può contare quanto il suo prezzo. Se la cache del tuo router scade durante la pausa pranzo, ricostruirla si paga. I prezzi cambiano spesso, quindi rifai il calcolo con le tariffe attuali.
Cosa controllare prima di installare qualsiasi cosa
DeepSeek è insolitamente diretta sui rischi nella sua stessa documentazione. Prendili sul serio.
- È un prototipo di ricerca. Il README lo definisce "for reference only, not an official DeepSeek product", cioè solo di riferimento e non un prodotto ufficiale. Il codice pubblicato è diverso da quello che DeepSeek usa internamente, e alcune idee dell'articolo non sono implementate.
- Accesso completo per impostazione predefinita. La guida al deployment indica che router e worker girano in modalità
danger-full-accesscon il tuo utente di sistema e che un worker può leggere la tua home directory. Il consiglio è usare un account di sistema dedicato che contenga solo le credenziali dell'agente. - La prompt injection fa parte del mestiere. Questo agente esiste per leggere testi scritti da altre persone. Issue, commenti e messaggi in chat sono tutti potenziali istruzioni di qualcuno di cui non ti fidi. Nessuno ha ancora risolto del tutto il problema.
- Sappi dove finiscono i tuoi dati. In DeepSeek Harness, il plugin session-log è attivo per impostazione predefinita. Nelle richieste all'API ufficiale di DeepSeek può inviare il testo dei messaggi, gli argomenti e i risultati degli strumenti e i percorsi di lavoro. Non si applica se usi un altro provider, e un'impostazione permette di disattivarlo. Verifica cosa fa davvero il tuo profilo prima che l'agente inizi a leggere la chat del team. Per le aziende europee quei contenuti possono includere dati personali, quindi affronta prima la questione GDPR.
Va riconosciuto che le impostazioni predefinite sulle azioni sono prudenti. Il lavoro proattivo parte in modalità observe, che registra soltanto ciò che l'agente avrebbe fatto. L'account dell'agente non attiva l'auto-merge per impostazione predefinita, e le istruzioni di base lo consentono solo per pull request approvate sotto le 200 righe modificate, con un account separato per il merge. Queste istruzioni guidano l'agente ma non impongono nulla, quindi usa anche la branch protection di GitHub.
Alcuni dei consigli più pratici arrivano da un creator che ne ha ricostruito una versione ridotta: Docker con un utente non root, nessun accesso alla home o alle chiavi SSH, un account bot limitato a un solo repository di prova, un comando host che controlla ogni messaggio pubblicato dall'agente e nessuna possibilità di fare il merge del proprio lavoro. È un buon minimo per qualsiasi esperimento.
Chi ne ha davvero bisogno?
Probabilmente non ancora
Un buon prompt ti porta quasi fino in fondo
- Uno sviluppatore su un solo repository
- Nessun flusso di richieste da smistare
- Un agente già aperto, e ti va bene seguirlo
- Nessuno che possa farsi carico dell'output dell'agente e rivederlo
- Attività che richiedono giudizio umano a ogni passo
Merita un'analisi seria
Qualcuno sta facendo da router umano
- Più sviluppatori, o più agenti attivi insieme
- Una chat affollata con piccole richieste sparse
- Qualcuno che oggi filtra e assegna tutto a mano
- Soprattutto modifiche piccole e facili da rivedere
- Una persona designata che risponde di ciò che l'agente dice e fa
Il test onesto: qualcuno nel tuo team perde ore a smistare richieste? Se no, oggi potrebbe bastarti un prompt che delega per prima cosa.
Il creator che lo ha ricostruito lo dice chiaramente: per uno sviluppatore da solo, con un agente già aperto, il vantaggio è piccolo. La programmazione non migliora. Quello che cambia è avere un collega silenzioso che lavora in background. E come suggerisce un benchmark su 68 bug reali di GitHub citato nella copertura, l'harness può incidere meno della difficoltà del bug stesso. Un super agent migliora il modo in cui il lavoro viene coordinato. Non rende più intelligente il tuo modello.
Non riguarda solo il codice
Il prototipo pubblico è un agente di programmazione per un solo repository GitHub, ma secondo noi lo schema può andare ben oltre il software.
Pensa a una casella email condivisa con i clienti, o a un team operativo alle prese con avvisi dell'ERP, email dei fornitori e richieste in chat. Qualcuno legge tutto, scarta gran parte dei messaggi e passa il resto a chi può occuparsene. Quella persona sta facendo il lavoro del router.
Si applicherebbe la stessa divisione: il codice filtra ciò che l'agente può vedere, un router decide cosa è reale, ogni worker gestisce un caso con gli strumenti e i limiti giusti, e le persone approvano tutto ciò che riguarda denaro, clienti o sicurezza. Un AI gateway si inserisce naturalmente sotto, dando al router un modello piccolo e veloce e ai worker uno più potente.
Questa è una nostra opinione, non qualcosa che DeepSeek abbia testato, e va dimostrata prima su piccola scala. Ma il problema è lo stesso: l'attenzione umana è la risorsa scarsa, e gran parte se ne va nello smistare.
Inizia con tre piccole modifiche
Il bello è che non ti servono DeepSeek, il suo harness o una grande ricostruzione. Gran parte di queste idee funziona con il modello e gli strumenti che usi già.
1. Aggiungi un'istruzione che metta la delega al primo posto. Se il tuo agente continua a fare tutto da solo, digli di affidare il lavoro parallelo ai subagent prima di iniziare. Non costa quasi nulla, ed è da lì che viene gran parte del guadagno sulla mediana.
2. Metti davanti al modello un controllo scritto nel codice. Prima che un modello legga un messaggio, del normale codice dovrebbe verificare mittente, canale e tipo di messaggio. Fa risparmiare e, soprattutto, nulla all'interno di un messaggio può aggirarlo con le parole.
// lib/gate.ts (semplificato)type Decision = 'request' | 'candidate' | 'drop';export function admit(event: TriggerEvent, policy: Policy): Decision { if (!policy.channels.includes(event.channel)) return 'drop'; const allowed = policy.people.includes(event.sender); if (allowed && event.addressesAgent) return 'request'; // richiesta chiara: si lavora if (allowed) return 'candidate'; // il modello lo confronta con le regole scritte return 'drop'; // non arriva mai a un modello, quindi non può iniettare nulla}3. Lascia i follow-up al worker che ha in carico l'attività. Manda commenti di review e risultati della CI alla sessione che ha già il contesto, invece di farli passare dal coordinatore o aprire una nuova sessione. Eviti di pagare per ricostruire quel contesto, e il coordinatore resta leggero.
Se funziona e ti senti ancora il collo di bottiglia, vai oltre:
- 01
Specifica
Scrivi ticket veri
I worker non possono farti domande, quindi ogni ticket dice cosa costruire e come verificarlo.
- 02
Dividi
Router e worker
Il router assegna e non fa mai il lavoro. Ogni worker ha il proprio worktree.
- 03
Sorveglia
Aggiungi un watchdog
Un agente separato, a intervalli, individua i worker bloccati o silenziosi.
- 04
Osserva
Registra, non agire
Lascia che le regole proattive annotino cosa avrebbero fatto, e leggi quei log.
- 05
Allarga
Guadagna autonomia
Attiva una regola alla volta, quando le decisioni registrate ti convincono.
I ticket meritano un'attenzione particolare, perché il design si regge su di loro. Un team che ha ricostruito tutto dentro Claude Code ha dato a ogni funzionalità una cartella con due file: uno con i requisiti e uno con i controlli che definiscono quando il lavoro è "finito". Il router poteva così confrontare i risultati di un worker con quei controlli e rivolgersi a una persona solo quando c'era una vera decisione da prendere. Nella loro prova, tre ticket sono stati completati in circa un'ora. È un aneddoto, non un benchmark, ma la lezione resta: l'autonomia nasce da specifiche chiare.
Hanno anche usato un modello più potente come router e uno di fascia media per i worker, perché i ticket erano molto dettagliati. È l'opposto di quanto consiglia DeepSeek, e va bene così. L'idea è la divisione. La scelta del modello è un'impostazione che puoi regolare.
In breve
Un super agent non è un nuovo tipo di AI e non è un Claude Code killer. È un'architettura costruita su un'osservazione onesta: i modelli ormai possono lavorare più a lungo di quanto le persone riescano a seguirli.
In questo quadro l'essere umano non scompare. Sale di livello: meno sorveglianza delle sessioni, più tempo per decidere cosa vale la pena costruire, scrivere le regole e approvare i risultati.
Se usi un solo agente, cambia il prompt. Se qualcuno nel tuo team è diventato un router umano a tempo pieno, vale la pena esplorare il design completo, con cautela e in una sandbox.
Costruiamo questo tipo di sistema per processi aziendali reali, con i permessi, i log e le approvazioni umane necessari per potersene fidare. Se il tuo team annega tra sessioni di agenti o richieste che qualcuno deve smistare a mano, dai un'occhiata al nostro servizio di sviluppo software con agenti AI oppure contattaci. Ti diremo onestamente se ti serve un super agent o solo un prompt migliore.
Fonti e video consigliati: il repository e la documentazione di dsh-superagent di DeepSeek, e i video (in inglese) che hanno ispirato questo articolo: Rob Shocks sul super agent di DeepSeek e su come ricostruirlo per Claude Code, AI LABS su un setup funzionante con Claude Code, lustoykov sugli elementi costitutivi dell'articolo di design e Kai sul benchmark e sui costi reali.
Domande frequenti sui super agent
Cosa ci chiedono i team quando iniziano a far girare più di un paio di agenti contemporaneamente.
AI Gateway: come instradiamo voce, visione, testo e decisioni su più modelli
Cos'è un AI gateway, perché un solo modello non basta e come il nostro AI gateway su misura instrada voce, visione, testo e decisioni verso il modello giusto, con sicurezza e controllo dei costi integrati.
Interconnessione 4.0: collegare le macchine PLC al MES con OPC-UA
Come collegare le macchine PLC al MES in tempo reale tramite OPC-UA e perché l'interconnessione è il requisito chiave per l'iperammortamento 2026 (Industria 4.0).
Come costruiamo web app con agenti AI usando Next.js e Mastra
Lo stack che usiamo per portare agenti AI dentro prodotti web reali: Next.js per l'app, Mastra per agenti, tool, workflow e memoria, e qualche regola che tiene tutto al sicuro in produzione.