DeepSeek Harness (dsh) : l’environnement d’exécution d’agents ouvert qui réécrit sa propre configuration.
Ce qu’est DeepSeek Harness, pourquoi son agent d’édition automatique se distingue, comment la communauté a réagi, et à quoi se préparer avant de l’utiliser avec des modèles locaux.
Sources: DeepSeek Harness: The Agent That Edited Its Own Config While I Watched
Quelle partie de ce qui semble être l’intelligence d’un modèle n’est en réalité que des structures invisibles ? Quiconque a développé son propre outil d’agent apprend rapidement la réponse : beaucoup. C’est ce qui rend DeepSeek Harness, dont le commandement est dsh, suffisamment intéressant pour être analysé en détail : de quoi il s’agit, ce qui le distingue, ce qui n’est pas parfait et à quoi se préparer si l’on compte l’utiliser régulièrement.
De quoi il s’agit et pourquoi un laboratoire de modèles l’a créé
DeepSeek Harness est un environnement d’exécution open source pour des agents, c’est-à-dire l’ensemble des composants qui entourent un modèle et lui permettent d’agir : le cycle de traitement, les outils, l’environnement isolé, le stockage des sessions et l’interface utilisateur. Ce n’est ni un modèle ni un chatbot. Le slogan du projet est AGENT = MODEL + HARNESS. Une version de prévisualisation pour développeurs a été mise en ligne le 13 août 2026 sous licence MIT, et GitHub a réagi avec environ 95 000 étoiles en deux jours, puis près de 165 000 en une semaine.
Pourquoi un laboratoire de modèles s’en donnerait-il la peine ? Deux chiffres suffisent à le prouver. Vercel a pris un agent fonctionnel et en a supprimé 80 pour cent de ses outils. Avec le même modèle, le taux de réussite est passé de 80 à 100 pour cent, en utilisant la moitié des tokens et un cinquième de la latence. De plus, sur un test de codage, Letta Code a obtenu 59 pour cent avec Claude Opus, tandis que Claude Code n’a obtenu que 41 pour cent avec le même modèle d’Anthropic. Les modèles se sont rapprochés, et la compétition s’est déplacée vers les outils de gestion. DeepSeek en a développé un pour maîtriser ce niveau, et en tant que laboratoire pionnier qui expose l’intégralité du processus de raisonnement du modèle, il l’a fait là où les laboratoires américains chiffrent délibérément les leurs.
La véritable différence
Il existe un système de plugins sophistiqué appelé Cordis, dans lequel les outils, les sessions et même la boucle de l’agent sont des plugins remplaçables ; les sessions ne sont que des journaux d’événements en écriture seule que l’on peut rejouer, dupliquer et auditer. Cependant, après son exécution, la différence plus évidente se fait ressentir : l’agent peut se modifier en cours d’exécution, sans avoir besoin de redémarrage, de réconstruction ou de procédure particulière.
Un premier test révélateur consiste à ouvrir l’interface web et à lui confier la tâche de changer son propre fournisseur d’LLM, en passant de l’API DeepSeek à un serveur local llama.cpp. L’agent trouve sa propre configuration, la réécrit et répond à la question suivante en utilisant le modèle local. Un agent cloud est devenu un agent local en environ une minute et demie. La plupart des agents traitent leur configuration comme des textes sacrés, des commandements en lecture seule que l’on modifie manuellement. Celui-ci la considère simplement comme un autre fichier dont il héberge les données. C’est moins une fonctionnalité qu’une attitude. Un outil capable de se modifier commence à se comporter comme un collègue, et toute la conception part du principe que l’outil continue de changer après son installation.
Réaction de la communauté
Les éloges sont nombreux et la courbe des stars est historique. Les ingénieurs apprécient notamment la validation des appels d’outils, qui utilise des schémas JSON stricts et est visiblement plus stricte que Codex. La vue de trajectoire, qui attribue chaque injection de contexte au plugin qui l’a provoquée, a été qualifiée d’option décisive que les modèles américains ne permettront pas. Les sessions basées sur des événements ont véritablement ému les gens.
Ces critiques ont également leur fondement. Le principal thread de Reddit affirme que l’idée selon laquelle tout peut être un plugin semble logique tant qu’on ne l’essaie pas réellement. Son auteur souligne que les démos phares de DeepSeek ne sont qu’une animation d’un baleine volante et un jeu de serpent, et que toutes les tentatives pour faire en sorte que trois modèles différents créent ensemble un plugin utile ont échoué. D’autres craignent la fatigue liée aux plugins, avec des extensions VSCode en déclin, des plugins Eclipse abandonnés et un tas d’add-ons incompatibles. Les fans comme les critiques partagent une même mise en garde : il s’agit d’une version préliminaire non testée par des tiers, présentant des changements perturbateurs d’une version à l’autre. Les documents le précisent en lettres majuscules, ce qui constitue une note de publication inhabituellement honnête.
Les plaintes concernant la qualité de la démo sont justifiées, mais hors sujet. Le jeu au serpent n’est pas ce qui est proposé ; c’est plutôt le substrat lui-même, sur lequel la communauté a développé des centaines de plugins en quelques semaines, dont au moins dix versions indépendantes de fonctionnalités que les démos officielles ne proposent pas.
Ce qui fonctionne bien
Tout d’abord, il y a une véritable interface utilisateur web. Pendant deux ans, l’industrie a fourni des agents de codage sous forme de terminaux, où se trouvent les processus mais pas les utilisateurs. dsh offre une interface utilisateur web rapide et claire, toujours ouverte, permettant d’afficher des tâches que l’on peut cliquer pour les développer, ainsi que des étapes, des appels d’outils et un contexte visibles à l’intérieur du système en cours d’exécution, sans avoir à fouiller dans un fichier de journal.
C’est également rapide. Grâce à une API en ligne, les réponses arrivent suffisamment vite pour que les interactions avec l’interface soient utiles, et elle est plus fluide que l’interface irrégulière d’OpenClaw. De plus, elle exécute plusieurs sous-agents par défaut. Le mode standard ne demande pas l’autorisation au préalable : il crée des sous-agents et divise le travail, ce qui est agréable à observer avec une API cloud offrant une forte concurrence. Cette agréabilité se transforme en problème de planification avec des modèles locaux.
Préparation à l’installation
Tout d’abord, il s’agit d’une version de prévisualisation pour développeurs et se comporte en tant que telle. Les API sont renommées entre les versions, les systèmes de stockage disparaissent et les formats de configuration changent. Fixez la version que vous installez. Utilisez-la pour comprendre le fonctionnement des outils, ce qui ne coûte rien, et ne modifiez pas encore votre routine matinale en fonction d’elle, car les choses peuvent changer entre les mises à jour et un script qui fonctionnait hier pourrait ne plus fonctionner aujourd’hui.
Deuxièmement, les modèles locaux ont besoin de slots, et de vrais slots. Le mode standard crée activement des sous-agents, et chacun d’eux envoie ses propres requêtes à l’endpoint LLM que vous avez configuré. Avec un serveur local llama.cpp à un seul slot, par défaut, les choses ralentissent progressivement. Un sous-agent prend le slot de l’agent principal ; ainsi, lorsque celui-ci reprend son travail, son contexte a disparu et toute la demande doit être remplie à nouveau depuis zéro à chaque itération. Ce phénomène, qui est un avantage face à une API cloud, se transforme en un retraitement infini des demandes sur une machine disposant d’un seul slot.
La solution réside dans l’architecture : il faut prévoir plusieurs emplacements dans le modèle local. L’option --parallel N de llama.cpp permet de gérer un faible nombre d’agents en parallèle. Cependant, pour une utilisation quotidienne avec des outils de gestion d’agents, il convient de choisir un moteur conçu pour la concurrence, comme vLLM ou SGLang, dont le mécanisme de batch continu a été développé spécifiquement pour ce type d’activité. Un seul humain interagissant avec un seul chat relève du passé ; ces outils nécessitent un serveur adapté.
Où cela s’inscrit
DeepSeek Harness ne cherche pas à surpasser Claude Code en étant lui-même Claude Code, ni à gagner immédiatement. Il s’agit d’un substrat ouvert, sous licence MIT, qui attend que des développeurs créent leurs propres outils, plugins, et, s’ils le souhaitent, leur propre boucle d’agent. Sa particularité marquante — un agent qui s’édite lui-même pendant son exécution — en est également la thèse fondamentale : les agents ne sont plus des produits finis, mais du logiciel vivant, dont le framework de gestion constitue le corps qu’ils continuent de remodeler.
Une approche sensée consiste à essayer d’abord avec une clé cloud pour voir ce que l’interface web et la vue de trajectoire offrent. Si vous travaillez uniquement en local, prévoyez un serveur à plusieurs emplacements ou beaucoup de patience. Ensuite, écrivez le premier plugin, car l’écosystème est actuellement une ville frontalière et les villes frontalières se souviennent de leurs premiers colons.
Mise en place rapide
Pour le faire fonctionner sur un ordinateur portable, demandez à n’importe quel agent de l’installer ou exécutez un script comme celui-ci, qui vérifie la présence de Node 24 (le dépôt nécessite 22.19 ou une version plus récente) :
#!/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
Lectures complémentaires
- Un agent est une boucle while : où LangChain create_agent et LangGraph Fit se distinguent — Un agent capable d’appeler des outils en vingt lignes, les quatre problèmes de production rencontrés par les boucles, et quand passer de LangChain create_agent aux graphes d’état de LangGraph.
- Votre framework d’agent est probablement surconçu : ce qu’il faut supprimer — À mesure que les modèles s’améliorent, la structure de base des frameworks devient un fardeau inutile. Découvrez comment l’encombrement des révisions et les coûts de contexte excessifs s’accumulent, ainsi que comment tester ce qui mérite encore d’y figurer.