DeepSeek Harnessチームは2026年10月31日、指示待ち型から脱却し自律並行処理を実現する「Super-agent」構想とMITライセンスのプロトタイプを公開しました。国内のソフトウェア開発現場においても、日立製作所が推進する1,000人規模のFDE（フォワードデプロイドエンジニア）体制をはじめ、自律型AIを既存の開発フローへ直接組み込むアーキテクチャ選定が直近の分岐点となっています。
能動型協調アーキテクチャへの移行と検証データ
2026年10月31日夜、DeepSeek Harnessチームは公式WeChatアカウントを通じて技術記事『Super-agent 设计探索：迈向更自主的 Agent 系统』を公開しました。同チームはあわせて、GitHub上でオープンソースプロトタイプ「deepseek-ai/dsh-superagent-prototype」をMITライセンスで提供開始しています。
従来のAIエージェントは、チャットUIを介して人間が1回ずつ指示を与える「単一セッション（Session）」を基本単位として設計されていました。人間が同時に監視できるアクティブセッション数は一般に3〜5個程度が上限とされ、タスクの並行処理において人間の認知的ボトルネックが生じていました。
今回提示されたSuper-agentは、軽量なルーター（Router）と実行部（Worker）を明確に分離する二層構造を採用しています。グループチャットの会話やGitHubのIssue、CI/CDのテスト失敗などをイベントトリガーとして検知し、人間による「@メンション」がない状況でもバックグラウンドで自律的にタスクを並行処理します。
実測検証において、DeepSeekは合成メッセージ300件（うち実タスク約20件）を用いた負荷テストを実施し、従来の単一セッション＋Subagent構成と比較検証を行いました。
| 評価指標 | 従来の単一Session構成 | Super-agent構成 | 変化のポイント |
|---|---|---|---|
| タスク完了時間（p50中央値） | 20.4分 | 12.4分 | 直列実行の詰まりを解消 |
| タスク完了時間（p95） | 29.5分 | 15.7分 | 処理完了時間を約47%短縮 |
| キャッシュ読取トークン消費 | 605万トークン | 2,323万トークン | 複数セッション維持により増加 |
従来の単一セッション構成では、プロンプトでSubagent呼び出しを許可していても、中立プロンプト条件下での5回の試行すべてにおいてモデルがSubagentを起動しませんでした。結果としてメインセッションで全処理を直列実行し、新着メッセージによる割り込みでタスクの停滞が多発しました。
一方のSuper-agentは、Routerがタスク振り分けを専任することで確実な分散処理を担保し、p95完了時間を29.5分から15.7分へと約半分に圧縮しています。ただし、複数の独立セッションを維持するためSuper-agentのキャッシュ読み取りトークン消費量は従来の単一Session構成より多く（直通ありで2,323万トークン）、コンピューティングリソースを先行投入して処理速度を買い取るトレードオフが存在します。
参考記事: マルチエージェントAIとは？自律協調システムの仕組みと産業応用を徹底解説
分散OS思想を取り入れた技術仕様と実行機構
Super-agentが実現した並行自律性の基盤には、古典的なオペレーティングシステム（OS）の設計論があります。新規のモデルアルゴリズムに依存するのではなく、スケジューリング、キャッシュ管理、計算とストレージの分離をエージェント基盤へと移植した点に特徴があります。
1. RouterとWorkerの二層分離およびサブスクリプション機構
システムは、常駐ノードとして外部イベントを監視する「Router」と、独立コンテキストで実作業を行う「Worker」の二層で構成されます。
[外部イベント（GitHub, Slack, CI/CD, メール）]
│
▼
┌───────────────┐
│ 2段階フィルター │ (プログラムルール → 判定LLM)
└───────┬───────┘
│
▼
┌───────────────────┐
│ Router (軽量LLM) │ ◄── コンテキスト維持・大局判断
└─────────┬─────────┘
│ タスク発行・進捗監視
┌──────────┴──────────┐
▼ ▼
┌───────────────────┐ ┌───────────────────┐
│ Worker A (高度LLM)│ │ Worker B (高度LLM)│
│ (バグ再現・テスト) │ │ (コード修正・PR作成) │
└─────────┬─────────┘ └─────────┬─────────┘
│ │
▼ ▼
┌───────────────────┐ ┌───────────────────┐
│ Subagent / ツール群│ │ Subagent / ツール群│
└───────────────────┘ └───────────────────┘
Routerは、グループチャット、GitHub、電子メールなどからメッセージを統括して受信します。タスク割り当てと全体コンテキストの維持のみを担うため、パラメータ数の小さい軽量モデルで動作可能です。
Workerはコード修正や問題再現といった実作業を担い、フロンティアモデルの推論能力を活用します。Workerが特定のGitHub Pull Request（PR）に着手すると「サブスクリプション機構」が形成され、以降のコメントやCI通知はRouterをバイパスして該当Workerへ直接送信されます。これにより、Routerの推論オーバーヘッドを最小限に抑制します。
2. 投機的実行（Speculative Execution）による「静かなる再現」
能動的動作における最大のリスクは、不要な介入による開発チャットのノイズ化です。これに対し、ハードウェアの投機的実行を応用した二段階フィルタリングとバックグラウンド試行を採用しています。
まず正規表現等のプログラムルールで無関係なメッセージを即座に破棄し、次にLLMが文脈から介入の要否を判断します。チーム内で設定された「静かに再現して修正（Silent Reproduce & Fix）」戦略では、チャット上でバグが報告された段階で、バックグラウンドの遊休リソースを用いて再現手順の実行と原因究明を先行して開始します。
問題が再現し、修正パッチの生成まで成功した場合にのみ、初めてユーザーへPull Requestや修正案を提示します。再現に失敗した場合や確信度が低い場合は外部通知を一切行わず、プロセスを破棄します。
3. 非同期ReActループとWatchdog（監視機構）
従来のReAct（Reasoning + Acting）フレームワークでは、時間のかかる外部ツールやコンパイルを実行している間、セッション全体が同期待ち状態となり、新規指示を受け付けられませんでした。
Super-agentでは非同期ReActループを導入し、時間のかかる処理をバックグラウンドスレッドへオフロードします。フロントエンドのセッションは常に開放され、並行して別の指示を受信できます。
また、実行ループが無限ループに陥っていないか、無意味なツール呼び出しを繰り返していないかを検知するため、独立した「Watchdog（AI監督員）」プロセスが常時稼働します。タスクの進捗が一定時間停滞した場合、Watchdogが介入してプロセスの再起動や別経路へのリカバリを指示します。
4. コンピューティングとストレージの分離アーキテクチャ
エージェントの推論ループはクラウド基盤側で実行され、セッション状態や短期記憶はクラウド上のデータベースに永続化されます。一方、実際のコードベースやビルド環境、ローカル認証情報はユーザーの物理端末側に保持されます。
端末上には軽量なデーモン（daemon）のみを常駐させ、クラウドからのRPC（リモートプロシージャコール）指示に従ってローカル実行結果を返却します。ユーザーのPCがスリープやネットワーク遮断によって一時的にオフライン化しても、クラウド側のセッション状態は維持され、再接続時に中断箇所から即座に処理を再開できます。
参考記事: DeepSeek DSHの仕組みとは？「巻き戻し可能」な自己進化アーキテクチャの技術的特異点
実装における構造的制約とセキュリティ境界
実運用に向けた検証が進む一方で、能動的なマルチエージェント構造には重大なセキュリティ上の脆弱性と運用コストの課題が浮き彫りになっています。
間接プロンプトインジェクションの脅威
外部トリガーによる自律実行は、悪意ある入力に対する攻撃対象領域（アタックサーフェス）を飛躍的に拡大させます。
テンセント朱雀実験室（Tencent Zhuque Lab）が実施した14,560件のエージェント実行トレース調査によると、DeepSeek Harnessを含むオープンエージェント環境において、間接プロンプトインジェクションの成功率は入力チャネル別で最大25.5%に達しています。さらに、シェルコマンドの実行や外部APIへの認証情報送信といった高感度な操作（シンク）に対する攻撃成功率も2.5%〜5.6%確認されています。
公開GitHubリポジトリのIssueやプルリクエストのコメントに悪意あるインストラクションが埋め込まれていた場合、能動型エージェントがそれをトリガーとして読み込み、ローカルデーモン経由で機密環境変数を漏洩させる危険性が現実の脅威となっています。
国際的な規制環境と調達リスク
技術の普及が進む一方で、地政学的な規制がエンタープライズ採用の障壁となりつつあります。米国土安全保障省（DHS）は2026年7月24日に署名されたFASCSA命令（DHS FASCSA Order No. 2026-01）に基づき、杭州ディープシーク（Hangzhou DeepSeek Artificial Intelligence Co., Ltd.）およびその関連製品を連邦文民機関のITシステムから排除する命令を発出しました。
中国国内においても、国家インターネット情報弁公室（CAC）らが2026年5月に共同発表した「智能体の標準化応用と革新的発展に関する実施意見」により、自律実行型エージェントに対する人為的オーバーライド（介入遮断）機構の義務付けと3段階の権限分離が法制化されています。
自律性を高めるほど、人間による承認ポイント（Human-in-the-Loop）の設計が法規制およびコンプライアンス上の必須要件となります。
参考記事: 仕様駆動開発（SDD）の仕組みとは？バイブコーディングの限界と日立1,000人FDE体制が示す脱・人月のロードマップ
日本企業が直面する推論コスト構造と実装要件
単一セッション型のチャットUIからSuper-agent型の常駐・並行処理モデルへの転換は、国内企業のAI投資対効果（ROI）計算に根本的な再考を迫ります。
推論トークン消費の爆発とインフラ設計
Super-agentアーキテクチャでは、何もしない待機状態であってもイベントの監視とフィルタリングでトークンを消費し、投機的実行によって不採用となる処理にも計算資源を割り振ります。実証実験で示されたように、複数の独立セッション維持に伴いキャッシュ読み取りトークン消費が増大することは、商用APIの従量課金モデルをそのまま適用した場合、開発運用コストの予測不可能性を直撃します。
この課題を克服するためには、外部の商用フロンティアモデルAPIに全面依存する構成から、階層的な推論インフラへの再設計が求められます。
- Routerノードの内製・オンプレミス化: 常時監視と軽量判定を担うRouterには、オープンウェイトのSLM（小型言語モデル）をプライベート環境にデプロイし、推論コストを固定化する。
- キャッシュ効率の最適化: コンテキストプレフィックスを固定し、プロンプトキャッシュ（KVキャッシュ）のヒット率を最大化させるアーキテクチャを確立する。
- 高機能Workerのオンデマンド呼び出し: コード生成や推論の最終段階でのみ外部フロンティアモデルや大規模推論モデルを利用し、トークン消費の総量を制御する。
権限昇格を防ぐサンドボックスの構築
ローカルデバイスへの自律アクセスを許可する場合、開発環境の分離が不可欠です。ローカルデーモンをホストOS直上で稼働させることは避け、コンテナ仮想化やマイクロVM（Firecracker等）を用いたセキュアサンドボックス内で実行環境を完全に隔離する必要があります。
特に機密コードや個人データを扱う金融・製造領域のシステムでは、エージェントが自律的に発行する外部通信先をホワイトリストで制限するネットワーク分離の実装が導入の前提条件となります。
参考記事: AI推論インフラとは？CTOが知るべきアーキテクチャ設計とROI最大化戦略
自律型エージェント運用に向けた検証手順
チャットボット型のインターフェースに依存した業務設計は、バックグラウンド並行処理アーキテクチャの登場によって置き換えが進みます。技術責任者および事業責任者が次世代のエージェント運用を取り入れるための具体的ステップは以下の通りです。
- dsh-superagent-prototypeを用いた非同期イベント駆動の検証
GitHubで公開されているMITライセンスのプロトタイプを検証用リポジトリに導入し、Issue作成やCIエラーに対する自動トリアージの挙動を評価する。
- RouterとWorkerのモデル分離テストの実施
全ての処理を最上位モデルで実行するのではなく、軽量モデル（判定用）と大規模モデル（実行用）の二層構成を組み、推論レイテンシとトークンコストの削減比率を測定する。
- 実行環境のサンドボックス化と権限境界の設定
自律エージェントに許可する操作範囲を「読み取り」「ローカルビルド」に限定し、外部コミットやデプロイ操作には必ず人間の物理的承認を挟むゲートウェイ設計を確立する。
単一セッションの対話型AIから、常時稼働型の分散エージェント基盤への移行は、ソフトウェア開発だけでなくバックオフィスや運用保守の現場にも波及します。計算コストとセキュリティ境界を厳密に制御しながら、能動型アーキテクチャの実践的な検証を開始する時期に来ています。
出典: BigGo Finance
出典: explainx.ai
出典: GitHub (deepseek-ai/deepseek-harness)
出典: Medium
出典: MeriTalk
出典: Cloud Security Alliance
