DeepSeek Harness (dsh): Qué es y cómo ejecutarlo
DeepSeek Harness es una capa de agente abierta creada por DeepSeek AI, publicada el 13 de agosto de 2026 bajo la licencia MIT. No es un modelo ni otro agente de programación: es el andamiaje que convierte cualquier modelo en un agente funcional, tal como lo establece directamente la página oficial del producto con una fórmula simple: Agente = Modelo + Harness.
DSH Field Guide es un recurso comunitario independiente creado para documentar DeepSeek Harness para quienes lo configuran y utilizan a diario. No está afiliado, respaldado ni operado por DeepSeek, y DeepSeek y DeepSeek Harness siguen siendo marcas registradas de sus respectivos propietarios.
Qué es realmente DeepSeek Harness
DeepSeek Harness — nombre de comando dsh — es desarrollado por DeepSeek AI y está escrito en TypeScript bajo la licencia MIT, con el lema “Everything is a Plugin.” El repositorio de GitHub, deepseek-ai/deepseek-harness, ya había acumulado 210.610 estrellas y 24.639 bifurcaciones al 3 de septiembre de 2026, un crecimiento tan rápido que lo sitúa entre los lanzamientos de código abierto de mayor crecimiento en la historia.
El modelo es el alma del agente. El harness permite al agente comprender su entorno, usar herramientas y seguir trabajando en condiciones reales. — DeepSeek, página oficial del producto DeepSeek Harness
Esa frase captura toda la intención de diseño. DeepSeek Harness no es un modelo de lenguaje — el modelo se conecta desde fuera, incluyendo uno de un proveedor externo o local. Tampoco es simplemente otro agente de programación: Claude Code y Codex pueden montarse dentro de él como subagentes en lugar de competir con él. Y no es un marco de evaluación comparativa: lm-evaluation-harness de EleutherAI es un proyecto Python independiente para calificar modelos, y no existe ningún repositorio llamado deepseek-ai/DeepSeek-Harness con configuración pip install -r requirements.txt. El verdadero dsh funciona con Node.js y se instala mediante npx.
La fórmula Agente = Modelo + Harness
Todo, excepto el entrenamiento del modelo en sí, reside en DeepSeek Harness: planificación de tareas, llamadas a herramientas, ejecución de código, gestión de contexto, sesiones, permisos e interfaz. Los materiales de contratación propios de DeepSeek describen esta capa simplemente como una capa de control del modelo: la parte que gestiona el contexto, llama a herramientas, lee y escribe archivos, ejecuta un terminal y autocorrige el resultado.
Lo que dsh NO es
Tres distinciones surgen constantemente para quienes son nuevos en el proyecto:
- No es un modelo de lenguaje. DeepSeek Harness se conecta a un modelo a través de un adaptador; el modelo puede ser el propio de DeepSeek o de un proveedor completamente diferente.
- No es solo un agente de programación. Los CLIs reales de Claude Code y Codex pueden ejecutarse como subagentes dentro de él.
- No es un marco de evaluación comparativa.
lm-evaluation-harness(EleutherAI) es un proyecto Python para calificar los modelos de DeepSeek, no un producto de DeepSeek — son dos bases de código sin relación que solo comparten una palabra en sus nombres.
Everything is a Plugin
DeepSeek Harness está construido sobre Cordis, un entorno de ejecución de plugins, y el lema “Everything is a Plugin” no es simple marketing: los modelos, herramientas, habilidades, sesiones, entornos de pruebas, sistemas de archivos, el bucle principal, la orquestación y la interfaz de usuario están todos implementados como plugins. El directorio packages/ contiene más de 200 paquetes de espacio de trabajo, y un plugin puede desmontarse en tiempo real sin reiniciar el proceso.
Por qué es diferente de un marco de agentes convencional
Un marco de agentes típico es un bucle principal más un conjunto de capacidades integradas manualmente; agregar una nueva capacidad implica editar el bucle, reconstruir el ensamblado del prompt y volver a registrar las herramientas. DeepSeek Harness convirtió el propio bucle principal en un plugin, de modo que ampliarlo significa añadir un nuevo plugin junto a los existentes en lugar de modificar el núcleo.
Puntos de extensión de capacidades
Cada capacidad reemplazable se divide en tres roles: definición, implementación y consumidor. Cambiar una implementación modifica el comportamiento del producto en todos los lugares donde se utiliza esa capacidad, sin necesidad de bifurcar el código.
Cordis: el núcleo del entorno de ejecución
Cordis es el entorno de ejecución de plugins que subyace a DeepSeek Harness, y se describe a sí mismo como un marco para la “composibilidad espaciotemporal.” Su diseño está documentado en el preprint arXiv 2608.25512, “A Programming Paradigm for Spatiotemporal Composability,” un artículo de 88 páginas publicado el 13 de agosto de 2026 por Yifan Shi, Wei Zhang y Tianyi Cui.
Dos propiedades definen el modelo. La composibilidad temporal significa que descargar un componente revierte completamente todos los efectos que causó. La composibilidad espacial significa que los componentes declaran sus dependencias y se conectan de forma reactiva. DeepSeek incorpora Cordis directamente en DeepSeek Harness en lugar de depender de él como paquete externo.
Cordis es anterior a DeepSeek Harness — es un proyecto de código abierto independiente del desarrollador Yifan Shi (conocido como Shigma), y ha servido como núcleo de plugins del marco de chatbot Koishi desde 2019. La regla de que “descargar un plugin debe deshacer todo lo que hizo” surgió de ese proyecto anterior.
El registro de sesión de solo anexo
Cada ejecución escribe en un registro de solo anexo: prompts del sistema, trazas de razonamiento, llamadas a herramientas y sus resultados, planificación de subagentes y cada inyección de contexto. Reanudar, bifurcar, buscar y reproducir funcionan todos leyendo ese registro en lugar de un almacén de estado separado.
La interfaz web muestra estadísticas que la mayoría de los entornos de ejecución de agentes ocultan por completo: tokens por segundo, tasa de aciertos de caché, número de turnos y tiempo de ejecución transcurrido. Cuando el proyecto se debatió en Hacker News, el hilo recopiló 747 puntos y 314 comentarios, y la transparencia de ese registro de sesión fue uno de los detalles más elogiados en la discusión.
Cuatro modos: estándar, código, mínimo, creador
| Modo | Qué ofrece | Cuándo usarlo |
|---|---|---|
| Standard | Conjunto completo de herramientas, agente de propósito general | Tareas cotidianas |
| Code | Herramientas expuestas a través del Code Mode SDK; el modelo escribe un programa TypeScript | Automatización compleja de varios pasos |
| Minimal | Solo bash y un editor estilo str_replace | Evaluación comparativa imparcial de modelos |
| Creator | Ensamblaje de tu propio perfil preconfigurado | Crear un perfil o paquete personalizado |
Inicio rápido en un solo comando
La forma más rápida de tener una instancia en funcionamiento es una sola línea:
npx @deepseek-ai/dsh webEse comando inicia una interfaz web en http://127.0.0.1:3080 y la abre en un navegador; añade --no-open para omitir el lanzamiento del navegador en una máquina sin cabeza. Requiere Node.js ^22.19.0 o ≥ 24.0.0, y pnpm 11.7.0 si se compila desde el código fuente:
git clone https://github.com/deepseek-ai/deepseek-harness.gitcd deepseek-harnesspnpm installpnpm run buildpnpm dsh web- Lee
SAFETY.mdantes de apuntar el agente a un proyecto real — el README lo exige. - Añade tu clave API cuando se solicite; se almacena en
$DSH_HOME/.credentials.yamly se muestra enmascarada en la interfaz.
Primera ejecución en tres pasos
Abre Configuración, ve a Modelos y pega una clave API — la ruta se activa de inmediato, sin necesidad de reiniciar el servidor. Añade y selecciona una carpeta de trabajo; el campo de entrada de tareas permanece desactivado hasta que se elige una carpeta. Luego envía una tarea. Todo lo que supere los permisos ya concedidos se te presentará para su confirmación antes de ejecutarse.
Otros puntos de entrada
Además de la interfaz web, DeepSeek Harness incluye una TUI (dsh --profile tui), un modo sin cabeza para scripts y CI (dsh --profile headless "descripción de tarea"), un SDK de Python (pip install deepseek-harness-sdk, que incluye su propio entorno de ejecución por lo que no se necesita Node.js instalado en el sistema — la compilación para Windows x64 llegó en 0.1.2-rc.1), y un SDK de TypeScript para integrarlo directamente en otra aplicación.
Modelos, proveedores y costos
DeepSeek Harness en sí es gratuito y abierto bajo la licencia MIT — el único costo recurrente es el uso de tokens del modelo. La API de DeepSeek ofrece deepseek-v4-flash, deepseek-v4-pro y el experimental deepseek-v4-flash-vision-exp, todos con una ventana de contexto de 1M tokens y salida de hasta 384K tokens. Los nuevos precios entraron en vigor el 16 de agosto de 2026 a las 16:00 UTC, dividiendo las tarifas en ventanas de horas punta y fuera de punta (punta: 01:00–04:00 y 06:00–10:00 UTC, de lunes a viernes).
| v4-flash | v4-pro | |
|---|---|---|
| Entrada, acierto de caché, fuera de punta | $0.007 / 1M | $0.022 / 1M |
| Entrada, fallo de caché, fuera de punta | $0.22 / 1M | $0.66 / 1M |
| Entrada, fallo de caché, horas punta | $0.44 / 1M | $1.32 / 1M |
| Salida, fuera de punta | $0.66 / 1M | $1.98 / 1M |
Los detalles completos están en la página de precios de la API de DeepSeek. Para quienes quieran cero costo de API, el adaptador @deepseek-ai/dsh-llm-pi-ai conecta DeepSeek Harness con backends de modelos externos y locales, incluyendo Ollama, vLLM, LM Studio, llama.cpp y cualquier pasarela compatible con OpenAI — de modo que un modelo completamente local, ejecutado de forma gratuita, funciona con la misma configuración de dsh.
Claude Code y Codex como subagentes
Una de las decisiones de diseño menos evidentes: DeepSeek Harness puede delegar en agentes de programación externos reales en lugar de reemplazarlos. El paquete @deepseek-ai/dsh-subagent-claude-code lanza un CLI real de Claude Code como proceso hijo a través del Agent SDK oficial, y @deepseek-ai/dsh-subagent-codex hace lo mismo con Codex a través de su protocolo app-server --stdio. Cada subagente mantiene su propia configuración y autorización nativas — DeepSeek Harness no intercepta ni anula la forma en que esas herramientas inician sesión. A partir de 0.1.2-rc.1, el modelo utilizado por cada subagente puede configurarse de forma independiente de la sesión principal.
Cronología de lanzamientos y estado actual
Las capacidades de DeepSeek Harness se publicaron discretamente dentro del lanzamiento oficial de DeepSeek V4 el 31 de julio de 2026, sin un producto independiente ni código fuente público. El lanzamiento oficial llegó el 13 de agosto de 2026: a las 11:56 UTC el repositorio público se hizo accesible, @deepseek_ai publicó que “DeepSeek Harness v0.1 ya está disponible en Developer Preview,” DeepSeek-V4-Pro-0813 alcanzó disponibilidad general, y el preprint de Cordis apareció en arXiv el mismo día. El 14 de agosto de 2026 es una fecha aparte que vale la pena conocer: es el primer commit visible en el historial del repositorio público, razón por la que algunos artículos lo describen como el día en que se abrió el código — sin embargo, el repositorio en sí se creó el día 13.
Desde entonces el proyecto ha publicado una nueva compilación casi cada día: la versión 0.1.1 llegó el 21 de agosto junto con DeepSeek-V4-Flash-Vision-Exp, y la 0.1.2-rc.1 llegó el 3 de septiembre. El README advierte en mayúsculas que habrá cambios incompatibles, y tanto los issues como las pull requests están desactivadas en el repositorio — los comentarios se envían a través de GitHub Discussions o Discord.
A dónde ir a continuación
Cada parte de DeepSeek Harness tiene su propia página en esta guía, y están escritas para leerse en cualquier orden.
Comienza con la instalación de DeepSeek Harness si simplemente quieres tenerlo funcionando, y lee primero DeepSeek Harness en Windows si esa es tu máquina — casi todos los fallos de instalación conocidos son en Windows. Cuando algo falla, la guía de errores cubre los problemas con la redacción exacta que la gente busca.
Para entender lo que estás ejecutando, el recorrido por el repositorio de GitHub explica qué hay realmente dentro del monorepo, y Cordis cubre el kernel de plugins que hay debajo. A partir de ahí, la guía de plugins muestra cómo se añaden, reemplazan y distribuyen las capacidades, y los subagentes cubre la parte sobre la que casi nadie escribe — dsh ejecutando Claude Code y Codex como procesos hijo.
Para las decisiones más que para la mecánica: precios y economía de tokens analiza lo que hizo el cambio de precios de la API de agosto de 2026 al argumento “más barato que Claude Code,” DeepSeek Harness frente a Claude Code los compara honestamente en ambas direcciones, y ejecutar modelos locales cubre Ollama, vLLM, LM Studio y llama.cpp para quienes prefieren no enviar código a ningún lugar. Si tienes curiosidad sobre quién construye esto, la página del equipo reúne lo que se conoce públicamente sobre el grupo dentro de DeepSeek que hay detrás.