DeepSeek Harness (dsh): Опен-середовище для виконання агентів, яке самостійно змінює свою конфігурацію.
Що таке DeepSeek Harness, чому його агент самовиправлення вирізняється, як відреагувала спільнота та що потрібно підготувати перед запуском з локальними моделями.
Джерела: DeepSeek Harness: The Agent That Edited Its Own Config While I Watched
Яка частина того, що здається проявом розуму моделі, насправді є лише внутрішньою структурою, яку ніхто не бачить? Кожен, хто створював власні інструменти для керування агентами, швидко знаходить відповідь: значна частина. Саме тому DeepSeek Harness, команда для якого — dsh, є настільки цікавим для детального аналізу: у чому його сутність, що робить його унікальним, що в ньому не ідеально та до чого потрібно бути готовим, якщо ви плануєте працювати з ним.
Що це таке та чому його створила лабораторія моделей
DeepSeek Harness — це середовище виконання для агентів з відкритим кодом, тобто механізм, який оточує модель та дозволяє їй діяти: цикли, інструменти, сандбокс, зберігання сеансів та інтерфейс користувача. Це не модель і не чат-бот. Слоган проекту — AGENT = MODEL + HARNESS. Прев’ю для розробників з’явилося 13 серпня 2026 року під ліцензією MIT, і GitHub відреагував приблизно 95 000 зірками протягом двох днів та близько 165 000 протягом тижня.
Чому взагалі лабораторія з розробки моделей має цим займатися? Два показники пояснюють це. Vercel взяла готовий агент та прибрала 80 відсотків його інструментів. За допомогою тієї самої моделі рівень успішності зріс з 80 до 100 відсотків, при цьому було використано вдвічі менше токенів та у п’ять разів менше часу виконання. А у тестах з програмування Letta Code набрала 59 відсотків з Claude Opus, тоді як Claude Code набрала 41 відсоток з тією самою моделлю Anthropic. Моделі наблизилися одна до одної, і конкуренція перемістилася у сферу їх використання. DeepSeek створила свою систему для керування цим рівнем та, як лабораторія-піонерка, що розкриває повний алгоритм міркувань моделі, зробила це там, де американські лабораторії навмисно шифрують свої дані.
Справжня різниця
Існує вишукана система плагінів під назвою Cordis, у якій інструменти, сесії та навіть цикл агента є замінними плагінами, а сесії — це лише журнали подій для додавання нових записів, які можна відтворити, скопіювати та перевірити. Однак після її запуску стає помітною простіша відмінність: агент може сам себе редагувати під час роботи без необхідності перезапуску, повторної настройки чи інших процедур.
Яскравим першим тестом є відкриття веб-інтерфейсу та доручення йому змінити постачальника LLM з API DeepSeek на локальний сервер llama.cpp. Агент знаходить власну конфігурацію, переписує її та відповідає на наступне запитання за допомогою локальної моделі. Хмарний агент став локальним приблизно за півтори хвилини. Більшість агентів ставляться до своєї конфігурації як до священних правил, які можна змінювати лише вручну. Цей агент же сприймає її як звичайний файл, у якому він знаходиться. Це скоріше позиція, ніж функція. Інструмент, який може змінювати себе, починає поводитися як колега, а вся концепція передбачає, що цей інструмент продовжуватиме змінюватися після встановлення.
Реакція спільноти
Відгуки є надзвичайно позитивними, а функція кривої зірки має історичне значення. Інженери оцінюють можливість перевірки викликів інструментів, яка використовує суворі схеми JSON та є значно строгішою за Codex. Функція перегляду траєкторії, яка приписує кожен випадок втручання в контекст відповідний плагін, отримала назву «смертельної функції», яку моделі США не дозволять. Сесії, засновані на подіях, справді викликають емоції у користувачів.
Критика також має під собою підстави. У провідному треді Reddit стверджується, що ідея про те, ніби все є плагіном, здається привабливою, доки ви не спробуєте її застосувати насправді. Її автор зазначає, що власні флагманські демонстрації DeepSeek — це анімація летючої кита та ігра зі змією, а спроби змусити три різні моделі створити корисний плагін завершилися невдачею. Інші побоюються „втоми від плагінів“: розпадаються розширення VSCode, покинуті плагіни Eclipse та безліч несумісних додатків. Як прихильники, так і критики попереджають про одну річ: це неперевірена презентація для розробників, у якій між версіями трапляються критичні зміни. У документації це чітко зазначено великими літерами — що є надзвичайно чесною приміткою до випуску.
Скарги на якість демо є обґрунтованими, але неактуальними. Ігра зі змією — це не те, що пропонується. Сама платформа є такою можливістю, і вже за кілька тижнів спільнота створила сотні плагінів для неї, принаймні десять з яких — це незалежні версії функцій, яких немає в офіційних демо.
Що працює добре
По-перше, це справжній веб-інтерфейс. Протягом двох років індустрія використовувала кодуючих агентів у вигляді терміналів, де знаходилися процеси, а не люди. dsh пропонує швидкий та чистий веб-інтерфейс, який залишається відкритим; тут є завдання, які можна натиснути та розгорнути, кроки виконання, виклики інструментів та контекст, які видно всередині працюючої системи, а не заховані у файлі журналу.
Він також швидкий. Завдяки онлайн-API відповіді надходять достатньо швидко, щоб взаємодія з інтерфейсом здавалась корисною, і він працює плавніше, ніж нерівний інтерфейс OpenClaw. Крім того, за замовчуванням він запускає кілька підагентів. У стандартному режимі не потрібно попередньо запитувати: він створює підагентів та розподіляє роботу, що приємно спостерігати порівняно з хмарним API з високою конкурентоспроможністю. Ця приємність перетворюється на проблему планування при використанні локальних моделей.
Підготовка до використання
По-перше, це прев’ю для розробників та поводиться як таке. API змінюють назви між версіями, зникають бекенди для зберігання та змінюються формати конфігурацій. Фіксуйте версію, яку ви інсталюєте. Використовуйте її, щоб дізнатися, як працюють інструменти, що не коштує нічого, і поки що не будуйте свою щоденну рутину навколо неї, адже між випусками все може змінитися, і скрипт, який працював вчора, може не працювати сьогодні.
По-друге, локальні моделі потребують слотів, причому справжніх. У стандартному режимі активно створюються підагенти, і кожен з них надсилає власні запити до будь-якого кінцевого пункту LLM, який ви налаштували. З сервером llama.cpp з одним слотом, що є стандартним варіантом, робота поступово уповільнюється. Підагент займає слот основного агента, тож коли основний агент продовжує роботу, його контекст зникає, і весь запит знову заповнюється з нуля щоразу після кожної операції. Те, що є перевагою при використанні хмарного API, у машині з одним слотом перетворюється на безкінечну переробку запитів.
Рішення полягає в архітектурі: надайте локальній моделі кілька слотів. Параметр --parallel N у llama.cpp дозволяє ефективно обробляти невелику кількість завдань одночасно. Однак для щоденного використання з підсистемами керування агентами слід обрати двигун, створений на основі конкурентності, такий як vLLM чи SGLang, чия система безперервної групування завдань розроблена саме для такого типу навантажень. Модель, де одна людина веде одну розмову, — це модель минулого, а підсистеми керування потребують належного сервера.
Де це застосовується
DeepSeek Harness не намагається перевершити Claude Code у тому, що він є Claude Code, і не прагне перемогти сьогодні. Це відкрита платформа з ліцензією MIT, яка чекає, поки люди створять власні інструменти, плагіни, а якщо вони сміливі — навіть власні цикли роботи агентів. Його унікальна особливість — можливість агента самостійно редагувати себе під час виконання — є водночас і основною ідеєю: агенти більше не є готовими продуктами, а є живим програмним забезпеченням, для якого підсистема керування є тілом, яке вони постійно перетворюють.
Розумним підходом є спочатку спробувати це з хмарним ключем та оцінити можливості веб-інтерфейсу та перегляду траєкторій. Якщо ви працюєте лише локально, знадобиться сервер із кількома слотами або багато терпіння. Потім напишіть перший плагін, адже екосистема наразі ще у стадії розвитку, і такі міста пам’ятають своїх перших поселенців.
Швидка налаштування
Щоб запустити його на ноутбуці, попросіть будь-якого агента його налаштувати або запустіть подібний до цього скрипт, який перевіряє наявність Node 24 (для репозиторію потрібна версія 22.19 або новіша):
#!/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
Пов’язана література
- Агент — це цикл while: як LangChain create_agent та LangGraph Fit працюють — Агент, який використовує інструменти у двадцяти рядках, чотири проблеми продакшну, з якими стикається цикл, та коли варто перейти від LangChain create_agent до графів стану LangGraph.
- Ваша система керування агентом, ймовірно, надмірно складна: що можна видалити — У міру покращення моделей каркаси для їх використання стають зайвим тягарем. Тут пояснюється, як накопичується зайва інформація та неконтрольовані витрати на контекст, а також як перевірити, що все ще має своє місце.