Inicio / Artículos

DeepSeek Harness (dsh): El entorno de ejecución de agentes abierto que reescribe su propia configuración.

Qué es DeepSeek Harness, por qué su agente de autoedición destaca, cómo reaccionó la comunidad y qué preparar antes de ejecutarlo con modelos locales.

Editor: REACTAPP.TOP6 min de lectura1394 palabras

Fuentes: DeepSeek Harness: The Agent That Edited Its Own Config While I Watched

¿Cuánto de lo que parece inteligencia en un modelo es en realidad una estructura de soporte invisible para todos? Cualquiera que haya creado su propio entorno para agentes aprende rápidamente la respuesta: mucho. Eso hace que DeepSeek Harness, cuya orden es dsh, sea lo suficientemente interesante como para analizarlo en detalle: qué es, qué lo hace distintivo, qué no es tan bueno y a qué prepararse si planea utilizarlo.

Qué es y por qué lo creó un laboratorio de modelos

DeepSeek Harness es un entorno de ejecución para agentes de código abierto, es decir, la infraestructura que rodea a un modelo y le permite actuar: el bucle de ejecución, las herramientas, el entorno aislado, el almacenamiento de sesiones y la interfaz de usuario. No es ni un modelo ni un chatbot. El lema del proyecto es AGENT = MODEL + HARNESS. Una versión de previsualización para desarrolladores se lanzó el 13 de agosto de 2026 bajo una licencia MIT, y GitHub respondió con aproximadamente 95,000 estrellas en dos días y unas 165,000 en una semana.

¿Por qué se molestaría un laboratorio de modelos? Dos cifras lo demuestran. Vercel tomó un agente funcional y eliminó el 80 por ciento de sus herramientas. Con el mismo modelo, la tasa de éxito pasó del 80 al 100 por ciento, utilizando la mitad de los tokens y una quinta parte de la latencia. Además, en una prueba de codificación, Letta Code obtuvo un 59 por ciento con Claude Opus, mientras que Claude Code logró un 41 por ciento con el mismo modelo de Anthropic. Los modelos se han acercado entre sí, y la competencia ahora se centra en cómo aprovecharlos. DeepSeek desarrolló uno propio para dominar esa capa, y como el laboratorio pionero que muestra el rastro completo de razonamiento del modelo, lo hizo donde los laboratorios estadounidenses cifran deliberadamente el suyo.

La verdadera diferencia

Existe un sofisticado sistema de complementos llamado Cordis, en el cual las herramientas, las sesiones e incluso el bucle del agente son complementos reemplazables; las sesiones son registros de eventos de solo escritura que se pueden reproducir, clonar y auditar. Sin embargo, después de ejecutarlo, destaca la diferencia más sencilla: el agente puede editarse mientras está en ejecución, sin necesidad de reiniciarlo, reconstruirlo ni realizar ningún procedimiento adicional.

Una primera prueba reveladora es abrir la interfaz web y encomendarle la tarea de cambiar su propio proveedor de LLM de la API DeepSeek a un servidor local llama.cpp. El agente encuentra su propia configuración, la reescribe y responde a la siguiente pregunta mediante el modelo local. Un agente en la nube se convirtió en uno local en aproximadamente un minuto y medio. La mayoría de los agentes tratan su configuración como si fuera una escritura sagrada, mandatos de solo lectura que se editan a mano. Este, en cambio, la trata como cualquier otro archivo en el que casualmente se encuentra. Eso es más bien una actitud que una característica. Una herramienta capaz de cambiarse a sí misma comienza a comportarse como un colega, y todo el diseño parte de la premisa de que seguirá cambiando después de la instalación.

Reacción de la comunidad

Los elogios son numerosos y la curva de popularidad de esta herramienta es histórica. A los ingenieros les gusta la validación de llamadas a herramientas, que utiliza esquemas JSON estrictos y resulta claramente más rigurosa que Codex. La vista de trayectoria, que atribuye cada inyección de contexto al plugin que la causó, ha sido calificada como una función revolucionaria que los modelos de EE. UU. no permitirán. Las sesiones basadas en eventos conmovieron profundamente a las personas.

También hay mérito en las críticas. El hilo principal de Reddit sostiene que la idea de que todo es un complemento suena bien hasta que se intenta ponerla en práctica. Su autor señala que las propias demostraciones estrella de DeepSeek son una animación de ballena voladora y un juego de serpientes, y que los intentos por hacer que tres modelos diferentes creen conjuntamente un complemento útil fracasaron todos. Otros temen la fatiga por los complementos, con extensiones de VSCode en declive, complementos abandonados de Eclipse y un montón de add-ons incompatibles. Tanto los aficionados como los críticos comparten una misma advertencia: se trata de una versión preliminar para desarrolladores sin revisión, con cambios que rompen la funcionalidad entre versiones. La documentación lo indica en mayúsculas, una nota de lanzamiento inusualmente honesta.

Las quejas sobre la calidad de las demostraciones son ciertas, pero no son relevantes. El juego de serpientes no es lo que se ofrece; lo importante es el sustrato, y en unas pocas semanas la comunidad creó cientos de complementos para él, al menos diez de ellos versiones independientes de funcionalidades que las demostraciones oficiales no incluyen.

Lo que funciona bien

Lo primero es contar con una verdadera interfaz de usuario web. Durante dos años la industria ha distribuido agentes de programación como terminales, donde residen los procesos y no donde trabajan las personas. dsh ofrece una interfaz web rápida y limpia que permanece abierta, con tareas que se pueden hacer clic para expandir, pasos, llamadas a herramientas y contexto visible dentro del sistema en ejecución, sin estar ocultos en un archivo de registro.

También es rápido. Gracias a una API en línea, las respuestas llegan lo suficientemente deprisa como para que las interacciones con la interfaz resulten satisfactorias, y es más fluido que la interfaz irregular de OpenClaw. Además, ejecuta múltiples subagentes por defecto. El modo estándar no pregunta primero: crea subagentes y divide el trabajo, lo cual es agradable de observar en comparación con una API en la nube que ofrece una alta concurrencia. Esa comodidad se convierte en un problema de planificación con modelos locales.

Preparándose para usarlo

En primer lugar, se trata de una versión preliminar para desarrolladores y funciona como tal. Las APIs cambian de nombre entre versiones, los servidores de almacenamiento desaparecen y los formatos de configuración varían. Fije la versión que instale. Úsela para aprender cómo funcionan los mecanismos de gestión, lo cual no cuesta nada, pero aún no reorganice su rutina diaria en torno a ella, ya que las cosas pueden cambiar entre versiones y un script que funcionaba ayer podría no funcionar hoy.

En segundo lugar, los modelos locales necesitan espacios de almacenamiento, y de verdad. El modo estándar genera subagentes con rapidez, y cada uno envía sus propias solicitudes al endpoint de LLM que hayas configurado. Con un servidor local llama.cpp de un solo espacio, que es el predeterminado, las cosas se ralentizan poco a poco. Un subagente ocupa el espacio del agente principal, por lo que cuando este último reanuda su trabajo, su contexto ya no está disponible y todo el prompt se vuelve a completar desde cero en cada ciclo. Lo que es una ventaja frente a una API en la nube se convierte en un procesamiento interminable de prompts en una máquina con un solo espacio.

La solución radica en la arquitectura: proporciona al modelo local varios espacios de procesamiento. La opción --parallel N de llama.cpp maneja un número moderado de tareas simultáneas. Sin embargo, para un uso diario con conjuntos de subagentes, es mejor elegir un motor diseñado para la concurrencia, como vLLM o SGLang, cuyo procesamiento por lotes continuo está pensado precisamente para este tipo de tráfico. Un humano que interactúa con un solo chat es el modelo del pasado; los conjuntos de agentes necesitan un servidor adecuado.

Dónde encaja

DeepSeek Harness no intenta superar a Claude Code en lo que hace Claude Code, ni busca ganar hoy mismo. Se trata de un subsistema de licencia MIT que espera a que la gente cree sus propias herramientas, complementos y, si son valientes, su propio ciclo de agentes. Su característica distintiva, que consiste en que un agente se modifica a sí mismo mientras está en ejecución, también funciona como su tesis central: los agentes ya no son productos terminados, sino software vivo, con el conjunto de herramientas que actúa como el cuerpo que ellos mismos van remodelando constantemente.

Un enfoque sensato es probarlo primero con una clave en la nube y ver qué ofrecen la interfaz web y la vista de trayectoria. Si solo trabajas localmente, necesitarás un servidor con múltiples slots o mucha paciencia. Luego escribe el primer plugin, ya que el ecosistema actualmente es como una ciudad fronteriza y las ciudades fronterizas recuerdan a sus primeros colonos.

Configuración rápida

Para ponerlo en marcha en una laptop, pide a cualquier agente que lo configure o ejecuta un script como este, que verifica si está instalado Node 24 (el repositorio requiere 22.19 o una versión más reciente):

#!/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

Leer más

  • Cinco patrones de ingeniería de agentes que vale la pena tomar prestados de DeepSeek’s Harness — Registro de eventos como fuente de verdad, advertencias graduadas en bucles, truncación explícita, modo de código con verificación de permisos y transferencias de agentes nuevos: cinco patrones para crear sistemas de agentes susceptibles a depuración.