DeepSeek Harness (dsh): Die offene Agenten-Laufzeitumgebung, die ihre eigene Konfiguration umschreibt.
Was DeepSeek Harness ist, warum sein selbstbearbeitender Agent hervorsticht, wie die Community reagiert hat und was man vor dem Ausführen mit lokalen Modellen vorbereiten sollte.
Quellen: DeepSeek Harness: The Agent That Edited Its Own Config While I Watched
Wie viel von dem, was wie Intelligenz eines Modells erscheint, ist in Wirklichkeit nur unsichtbare Unterstützungssysteme? Jeder, der bereits ein eigenes Agent-Harness entwickelt hat, erfährt schnell die Antwort: sehr viel. Das macht DeepSeek Harness, dessen Befehl dsh ist, interessant genug, um genau unter die Lupe genommen zu werden: Was es ist, was es besonders macht, was nicht optimal ist und worauf man sich einstellen muss, wenn man damit arbeiten will.
Was es ist und warum ein Modelllabor es entwickelt hat
DeepSeek Harness ist eine Open-Source-Agent-Laufzeitumgebung, also das Umfeld um ein Modell herum, das es in die Lage versetzt, zu handeln: der Schleifenmechanismus, die Tools, das Sandbox-System, der Sitzungsspeicher und die Benutzeroberfläche. Es handelt sich weder um ein Modell noch um einen Chatbot. Der Slogan des Projekts lautet AGENT = MODEL + HARNESS. Eine Entwicklervorschau wurde am 13. August 2026 unter einer MIT-Lizenz veröffentlicht, und GitHub reagierte damit innerhalb von zwei Tagen mit etwa 95.000 Sternen sowie innerhalb einer Woche mit rund 165.000 Sternen.
Warum sollte sich ein Modelllabor damit abmühen? Zwei Zahlen belegen das. Vercel nahm ein funktionsfähiges Modell und entfernte 80 Prozent seiner Tools. Mit demselben Modell stieg der Erfolgssatz von 80 auf 100 Prozent, wobei die Anzahl der benötigten Tokens halbiert und die Latenzzeit auf ein Fünftel reduziert wurde. Bei einem Programmier-Benchmark erzielte Letta Code mit Claude Opus 59 Prozent, während Claude Code mit demselben Anthropic-Modell nur 41 Prozent erreichte. Die Modelle haben sich angenähert, und der Wettbewerb hat sich auf die Nutzung dieser Tools verlagert. DeepSeek entwickelte ein solches Tool, um diese Ebene zu beherrschen – und als Pionierlabor, das den vollständigen Denkprozess des Modells offenlegt, tat es dies dort, wo amerikanische Labore ihre Prozesse absichtlich verschlüsseln.
Der eigentliche Unterschied
Es gibt ein anspruchsvolles Plugin-System namens Cordis, bei dem Tools, Sessions und sogar der Agent-Loop als austauschbare Plugins dienen. Die Sessions sind ausschließlich zum Hinzufügen von Ereignissen geeignete Protokolle, die wiedergegeben, kopiert und überprüft werden können. Nach dem Ausführen fällt jedoch der einfachere Unterschied ins Auge: Der Agent kann sich während des Laufs selbst ändern, ohne Neustart, Neuerrichtung oder weitere Formalitäten.
Ein aussagekräftiger erster Test besteht darin, die Web-Oberfläche zu öffnen und ihr die Aufgabe zu geben, ihren eigenen LLM-Anbieter von der DeepSeek API auf einen lokalen llama.cpp-Server umzustellen. Der Agent findet seine eigene Konfiguration, schreibt sie um und beantwortet die nächste Frage mithilfe des lokalen Modells. Ein Cloud-Agent verwandelte sich in etwa anderthalb Minuten in einen lokalen Agenten. Die meisten Agenten behandeln ihre Konfiguration wie heilige Schriften – als nur zum Lesen bestimmte Vorschriften, die man von Hand ändert. Dieser Agent hingegen betrachtet sie lediglich als eine weitere Datei, in der sie zufällig gespeichert ist. Das ist weniger ein Feature als vielmehr eine Einstellung. Ein Tool, das sich selbst ändern kann, beginnt, sich wie ein Kollege zu verhalten, und die gesamte Konzeption setzt voraus, dass das Tool nach der Installation weiterhin verändert wird.
Reaktionen der Community
Die Lobeshymnen sind laut, und die Sternkurve ist historisch. Ingenieure schätzen die Tool-Call-Validierung, die strenge JSON-Schemata verwendet und offensichtlich strenger ist als Codex. Die Trajektorienansicht, die jede Kontexteinjection dem verursachenden Plugin zuordnet, wurde als „killer Feature“ bezeichnet – eines, das US-Modelle nicht zulassen werden. Die ereignisbasierten Sessions haben die Leute wirklich emotional berührt.
Auch die Kritik hat ihre Berechtigung. Der wichtigste Reddit-Thread argumentiert, dass die Idee, alles sei ein Plugin, erst dann problematisch wird, wenn man sie tatsächlich ausprobiert. Der Autor weist darauf hin, dass DeepSeeks eigene Flaggschiff-Demos eine Animation mit fliegenden Walen sowie ein Schlangenspiel sind und dass alle Versuche, drei verschiedene Modelle dazu zu bringen, einen nützlichen Plugin zu entwickeln, fehlschlugen. Andere befürchten eine „Plugin-Überlastung“ mit veralteten VSCode-Erweiterungen, aufgegebenen Eclipse-Plugins sowie einer Ansammlung inkompatibler Add-ons. Sowohl Fans als auch Kritiker teilen eine Warnung: Es handelt sich um eine unüberprüfte Entwicklervorschau, bei der zwischen den Versionen brisante Änderungen auftreten können. Die Dokumentation macht dies in Großbuchstaben deutlich – eine ungewöhnlich ehrliche Veröffentlichungshinweis.
Kritik an der Qualität der Demos ist berechtigt, liegt aber außerhalb des Themas. Das Schlangenspiel ist nicht das, was angeboten wird – der Untergrund hingegen schon. Innerhalb weniger Wochen hat die Community darauf Hunderte von Plugins entwickelt, darunter mindestens zehn unabhängige Versionen von Funktionen, die in den offiziellen Demos noch nicht verfügbar sind.
Was gut funktioniert
Zunächst einmal bietet es eine echte Web-Oberfläche. Zwei Jahre lang lieferte die Branche Programmieragenten als Terminals – Orte, an denen Prozesse stattfinden, nicht dort, wo Menschen arbeiten. dsh hingegen bietet eine schnelle, übersichtliche Web-Oberfläche, die stets aktiv bleibt; dabei sind Aufgaben zum Anklicken und Erweitern vorhanden, Schritte, Toolaufrufe sowie Kontexte sind innerhalb des laufenden Systems sichtbar und nicht in einer Logdatei versteckt.
Außerdem ist es schnell. Dank einer Online-API kommen die Antworten schnell genug, sodass die Interaktionen mit der Benutzeroberfläche sinnvoll erscheinen, und es ist glatter als die unregelmäßige Benutzeroberfläche von OpenClaw. Zudem werden standardmäßig mehrere Unteragenten gestartet. Im Standardmodus wird nicht erst gefragt: Es werden Unteragenten erstellt und die Arbeit aufgeteilt, was bei einer Cloud-API mit hoher Parallelisierung angenehm zu beobachten ist. Diese Angenehmheit verwandelt sich bei lokalen Modellen jedoch in ein Planungsproblem.
Vorbereitung auf den Einsatz
Zunächst handelt es sich um eine Entwicklervorschau, die sich auch so verhält. APIs werden zwischen den Versionen umbenannt, Speicherbackends verschwinden und Konfigurationsformate ändern sich. Pinnen Sie die installierte Version. Nutzen Sie sie, um herauszufinden, wie Harnesses funktionieren – das kostet nichts –, und bauen Sie Ihre morgendliche Routine noch nicht darauf um, denn zwischen den Versionen kann sich alles ändern, und ein Skript, das gestern funktionierte, muss nicht unbedingt heute funktionieren.
Zweitens benötigen lokale Modelle Slots – und zwar echte. Im Standardmodus werden Sub-Agenten eifrig erstellt, wobei jeder von ihnen seine eigenen Anfragen an den konfigurierten LLM-Endpunkt sendet. Bei einem lokalen llama.cpp-Server mit nur einem Slot, wie er standardmäßig verwendet wird, kommt es allmählich zu Verzögerungen. Ein Sub-Agent übernimmt den Slot des Hauptagenten; dadurch ist der Kontext des Hauptagenten beim Wiederaufnehmen seiner Tätigkeit verschwunden, und jeder Kommunikationsaustausch erfordert wieder eine vollständige Neubefüllung des Prompts. Was gegenüber einer Cloud-API ein Vorteil ist, verwandelt sich bei einem Gerät mit nur einem Slot in eine endlose Neuverarbeitung der Prompts.
Die Lösung liegt in der Architektur: Geben Sie dem lokalen Modell mehrere Slots. --parallel N von llama.cpp bewältigt eine moderate Anzahl an Ausgängen. Für den täglichen Gebrauch mit Sub-Agent-Harnesses sollte man jedoch einen auf Konkurrenz ausgelegten Motor wählen, wie z. B. vLLM oder SGLang, deren kontinuierliches Batchen speziell für diesen Verkehrszweck entwickelt wurde. Ein Mensch mit einem Chat ist das Muster von gestern – Harnesses benötigen einen geeigneten Server.
Ihre Anwendungsmöglichkeiten
DeepSeek Harness versucht nicht, Claude Code in seinem Bereich zu übertreffen, und es strebt auch keinen Sieg heute an. Es handelt sich um eine offen zugängliche Plattform unter MIT-Lizenz, die darauf wartet, dass Menschen ihre eigenen Tools, Plugins – und falls sie mutig genug sind – auch ihren eigenen Agenten-Loop entwickeln. Sein charakteristisches Merkmal, dass ein Agent sich während des Laufs selbst editieren kann, dient gleichzeitig als Leitgedanke: Agenten sind keine fertigen Produkte mehr, sondern lebendiges Software – wobei der Harness als das „Körper“ dient, das ständig umgestaltet wird.
Ein sinnvoller Ansatz ist es, zunächst mit einem Cloud-Schlüssel zu testen und herauszufinden, was die Web-Oberfläche sowie der Trajektorienansicht bieten. Wenn Sie nur lokal arbeiten, benötigen Sie entweder einen Server mit mehreren Slots oder viel Geduld. Anschließend sollten Sie den ersten Plugin schreiben, da das Ökosystem derzeit noch in einer Entwicklungsphase ist und solche Gebiete ihre ersten Siedler in Erinnerung behalten.
Schnelle Einrichtung
Um es auf einem Laptop zum Laufen zu bringen, können Sie einen Agenten bitten, die Einrichtung vorzunehmen, oder ein solches Skript ausführen, das nach Node 24 prüft (das Repository benötigt 22.19 oder neuer):
#!/usr/bin/env bash
# DeepSeek Harness — quick setup (macOS / Linux)
set -e
# 1) Node 24 (repo requires 22.19+ or 24+)
if command -v nvm >/dev/null 2>&1; then
nvm install 24 && nvm use 24
else
echo "Install Node 24 first (https://nodejs.org)"; exit 1
fi
# 2) Fastest path - no clone needed
npx @deepseek-ai/dsh web
# opens http://127.0.0.1:3080 - set your API key under Settings → Models
# 3) From source (what I did - recommended if you want to read the code)
git clone https://github.com/deepseek-ai/deepseek-harness.git
cd deepseek-harness
corepack enable
pnpm install
pnpm run build
pnpm dsh web
# 4) Local model users: serve with multiple slots first!
# vllm serve <model> --max-num-seqs 4 (or SGLang / llama.cpp --parallel N)
# Then in the dsh UI: Settings → Models → Add custom provider
# base URL http://127.0.0.1:8000/v1, protocol openai-completions
Verwandte Artikel
- Ein Agent ist eine While-Schleife: Wo LangChain create_agent und LangGraph Fit zum Einsatz kommen — Ein toolaufrufender Agent in zwanzig Zeilen, die vier Produktionsprobleme, mit denen Schleifen konfrontiert sind, und wann man von LangChain create_agent zu LangGraph State Graphs wechseln sollte.
- Ihre Agent-Harness-Lösung ist wahrscheinlich overengineered: Was man entfernen sollte — Mit der Verbesserung der Modelle wird die Infrastruktur für Agenten zu Ballast. Hier erfahren Sie, wie überflüssige Elemente und unkontrollierte Kontextkosten entstehen und wie man prüft, was noch seinen Platz verdient.