DeepSeek Harness (dsh): چیستی و نحوه اجرای آن

DeepSeek Harness یک لایه عامل متن‌باز است که توسط DeepSeek AI ساخته شده و در ۱۳ اوت ۲۰۲۶ تحت مجوز MIT منتشر گردیده است. این ابزار نه یک مدل است و نه یک عامل کدنویسی دیگر — بلکه داربستی است که هر مدلی را به یک عامل کارآمد تبدیل می‌کند؛ نکته‌ای که صفحه رسمی محصول با فرمولی ساده مستقیماً بیان می‌کند: Agent = Model + Harness.

DSH Field Guide یک منبع مستقل اجتماعی است که برای مستندسازی DeepSeek Harness، به منظور استفاده کسانی که آن را راه‌اندازی می‌کنند و روزانه با آن کار می‌کنند، ساخته شده است. این منبع وابسته به DeepSeek نیست، توسط آن تأیید یا اداره نمی‌شود، و DeepSeek و DeepSeek Harness همچنان علائم تجاری مالک مربوطه‌شان هستند.

DeepSeek Harness در واقع چیست

DeepSeek Harness — با نام دستوری dsh — توسط DeepSeek AI توسعه یافته و با شعار «Everything is a Plugin» به زبان TypeScript تحت مجوز MIT نوشته شده است. مخزن GitHub با آدرس deepseek-ai/deepseek-harness، تا ۳ September ۲۰۲۶ پیشتر ۲۱۰٬۶۱۰ ستاره و ۲۴٬۶۳۹ فورک جمع‌آوری کرده بود؛ رشدی به‌قدری سریع که آن را در زمره سریع‌ترین پروژه‌های متن‌باز در تاریخ قرار می‌دهد.

مدل، روح عامل است. Harness به عامل اجازه می‌دهد محیط خود را درک کند، از ابزارها استفاده کند و در شرایط واقعی به کار خود ادامه دهد.— DeepSeek، صفحه رسمی محصول DeepSeek Harness

این جمله تمام هدف طراحی را در خود دارد. DeepSeek Harness یک مدل زبانی نیست — مدل از بیرون به آن متصل می‌شود، از جمله مدل‌های شخص‌ثالث یا محلی. همچنین صرفاً یک عامل کدنویسی دیگر نیست: Claude Code و Codex می‌توانند به‌عنوان زیرعامل درون آن نصب شوند، نه اینکه با آن رقابت کنند. و یک چارچوب ارزیابی معیار هم نیست — lm-evaluation-harness از EleutherAI یک پروژه Python جداگانه برای امتیازدهی به مدل‌هاست و هیچ مخزنی با نام deepseek-ai/DeepSeek-Harness با راه‌اندازی pip install -r requirements.txt وجود ندارد. dsh واقعی روی Node.js اجرا می‌شود و از طریق npx نصب می‌گردد.

فرمول: عامل = مدل + Harness

همه چیز، به‌جز آموزش خود مدل، در DeepSeek Harness قرار دارد: برنامه‌ریزی وظایف، فراخوانی ابزارها، اجرای کد، مدیریت زمینه، نشست‌ها، مجوزها و رابط کاربری. مواد استخدامی خود DeepSeek این لایه را صریحاً به عنوان لایه‌ی کنترل مدل توصیف می‌کند — بخشی که زمینه را مدیریت می‌کند، ابزارها را فراخوانی می‌نماید، فایل‌ها را می‌خواند و می‌نویسد، ترمینال را اجرا می‌کند و نتیجه را خود تصحیح می‌کند.

dsh چه چیزی نیست

سه تمایز برای هر کسی که تازه با این پروژه آشنا می‌شود، مدام مطرح می‌شود:

• یک مدل زبانی نیست. DeepSeek Harness از طریق یک آداپتور به مدل متصل می‌شود؛ این مدل می‌تواند از خود DeepSeek یا یک ارائه‌دهنده‌ی کاملاً متفاوت باشد.
• صرفاً یک عامل کدنویسی نیست. Claude Code و Codex واقعی می‌توانند به عنوان زیرعامل در زیر آن اجرا شوند.
• یک چارچوب ارزیابی نیست. lm-evaluation-harness (متعلق به EleutherAI) یک پروژه‌ی Python است که برای سنجش مدل‌های DeepSeek به کار می‌رود، نه یک محصول DeepSeek — این دو پایگاه‌کد کاملاً نامرتبط هستند و تنها یک کلمه در نامشان مشترک دارند.

Everything یک پلاگین است

DeepSeek Harness بر پایه‌ی Cordis، یک محیط اجرای پلاگین، ساخته شده است و شعار «Everything یک پلاگین است» تبلیغاتی صرف نیست — مدل‌ها، ابزارها، مهارت‌ها، نشست‌ها، محیط‌های ایزوله، سیستم‌های فایل، حلقه‌ی اصلی، هماهنگی و رابط کاربری همگی به صورت پلاگین پیاده‌سازی شده‌اند. دایرکتوری packages/ بیش از ۲۰۰ بسته‌ی کاری دارد و یک پلاگین می‌تواند بدون راه‌اندازی مجدد فرایند، در لحظه حذف شود.

چرا این با یک چارچوب معمول عامل تفاوت دارد

یک چارچوب عامل معمولی از یک حلقه‌ی اصلی به اضافه‌ی مجموعه‌ای از قابلیت‌های دستی سیم‌کشی‌شده تشکیل می‌شود؛ افزودن قابلیت جدید به معنای ویرایش حلقه، بازسازی چیدمان پرامپت و ثبت مجدد ابزارهاست. DeepSeek Harness خود حلقه‌ی اصلی را به یک پلاگین تبدیل کرده، پس گسترش آن به معنای آویختن یک پلاگین جدید در کنار پلاگین‌های موجود است، نه وصله کردن هسته.

درزهای قابلیت

هر قابلیت قابل جایگزینی به سه نقش تقسیم شده است — تعریف، پیاده‌سازی و مصرف‌کننده. جایگزین کردن یک پیاده‌سازی، رفتار محصول را در همه‌ی جاهایی که از آن قابلیت استفاده می‌شود تغییر می‌دهد، بدون نیاز به انشعاب.

Cordis: هسته‌ی محیط اجرا

Cordis محیط اجرای پلاگین زیرین DeepSeek Harness است و خود را به عنوان چارچوبی برای «ترکیب‌پذیری زمانی-مکانی» معرفی می‌کند. طراحی آن در پیش‌چاپ arXiv 2608.25512 با عنوان «یک پارادایم برنامه‌نویسی برای ترکیب‌پذیری زمانی-مکانی» مستند شده است؛ مقاله‌ای ۸۸ صفحه‌ای که August 13, 2026 توسط Yifan Shi، Wei Zhang و Tianyi Cui منتشر شد.

دو ویژگی این مدل را تعریف می‌کنند. ترکیب‌پذیری زمانی به این معناست که حذف یک مؤلفه، تمام اثرات آن را به طور کامل برمی‌گرداند. ترکیب‌پذیری مکانی به این معناست که مؤلفه‌ها وابستگی‌های خود را اعلام می‌کنند و به صورت واکنشی به هم متصل می‌شوند. DeepSeek، Cordis را مستقیماً در DeepSeek Harness جاسازی می‌کند، نه اینکه به آن به عنوان یک بسته‌ی خارجی وابسته باشد.

خود Cordis پیش از DeepSeek Harness وجود داشته — این پروژه‌ای متن‌باز و مستقل از توسعه‌دهنده‌ی Yifan Shi (معروف به Shigma) است و از سال ۲۰۱۹ به عنوان هسته‌ی پلاگین چارچوب ربات چت Koishi خدمت کرده است. قاعده‌ای که «حذف یک پلاگین باید همه‌ی کارهایی که انجام داده را undo کند» از آن پروژه‌ی قدیمی‌تر بیرون آمد.

گزارش نشست فقط-افزودنی

هر اجرا درون یک گزارش فقط-افزودنی نوشته می‌شود: دستورهای سیستمی، مسیرهای استدلال، فراخوانی ابزارها و نتایج آن‌ها، برنامه‌ریزی زیرعامل‌ها، و هر تزریق زمینه‌ای. ادامه‌دادن، انشعاب، جست‌وجو و بازپخش همگی با خواندن مجدد همین گزارش کار می‌کنند، نه یک ذخیره‌گاه حالت جداگانه.

رابط وب آماری را نمایش می‌دهد که اکثر محیط‌های اجرای عامل کاملاً پنهانشان می‌کنند: توکن در ثانیه، نرخ برخورد کش، تعداد نوبت‌ها، و زمان سپری‌شده. وقتی این پروژه در Hacker News مطرح شد، موضوع ۷۴۷ امتیاز و ۳۱۴ نظر جمع کرد و شفافیت آن گزارش نشست یکی از پراستقبال‌ترین جزئیات در بحث بود.

چهار حالت: استاندارد، کد، حداقلی، سازنده

حالت	چه چیزی به شما می‌دهد	چه زمانی استفاده کنید
استاندارد	مجموعه ابزار کامل، عامل چندمنظوره	وظایف روزمره
کد	ابزارهایی که از طریق SDK حالت کد در دسترس‌اند؛ مدل یک برنامه TypeScript می‌نویسد	اتوماسیون پیچیده چندمرحله‌ای
حداقلی	فقط bash و یک ویرایشگر به سبک str_replace	ارزیابی منصفانه و مقایسه‌ای مدل‌ها
سازنده	مونتاژ پیش‌تنظیم دلخواه خودتان	ساخت پروفایل یا بسته سفارشی

شروع سریع با یک دستور

سریع‌ترین مسیر به یک نمونه در حال اجرا یک خط است:

npx @deepseek-ai/dsh web

این دستور یک رابط وب در http://127.0.0.1:3080 راه‌اندازی می‌کند و آن را در مرورگر باز می‌کند؛ --no-open را اضافه کنید تا روی یک ماشین بدون نمایشگر از باز شدن مرورگر جلوگیری شود. به Node.js نسخه ^22.19.0 یا ≥ 24.0.0 نیاز دارد، و در صورت ساخت از سورس به pnpm 11.7.0:

1. git clone https://github.com/deepseek-ai/deepseek-harness.git
2. cd deepseek-harness
3. pnpm install
4. pnpm run build
5. pnpm dsh web
6. قبل از اینکه عامل را به سمت یک پروژه واقعی هدایت کنید SAFETY.md را بخوانید — README این را الزامی می‌داند.
7. کلید API خود را هنگام درخواست وارد کنید؛ در $DSH_HOME/.credentials.yaml ذخیره می‌شود و به‌صورت پوشانده‌شده در رابط نمایش داده می‌شود.

اجرای اول در سه مرحله

تنظیمات را باز کنید، به بخش Models بروید و یک کلید API را وارد کنید — مسیر بلافاصله فعال می‌شود و نیازی به راه‌اندازی مجدد سرور نیست. یک پوشه کاری اضافه کرده و انتخاب کنید؛ فیلد ورودی تکلیف تا زمانی که پوشه‌ای انتخاب نشده باشد غیرفعال می‌ماند. سپس یک تکلیف ارسال کنید. هر چیزی فراتر از مجوزهایی که از پیش داده شده‌اند، پیش از اجرا برای تأیید به شما نمایش داده می‌شود.

سایر روش‌های دسترسی

علاوه بر رابط وب، DeepSeek Harness یک TUI (dsh --profile tui)، یک حالت بدون رابط برای اسکریپت‌ها و CI (dsh --profile headless "task description")، یک SDK پایتون (pip install deepseek-harness-sdk که رانتایم خود را همراه دارد و نیازی به نصب Node.js روی سیستم نیست — نسخه x64 ویندوز در 0.1.2-rc.1 عرضه شد) و یک SDK تایپ‌اسکریپت برای تعبیه مستقیم در برنامه‌های دیگر ارائه می‌دهد.

مدل‌ها، ارائه‌دهندگان و هزینه‌ها

خود DeepSeek Harness رایگان و تحت مجوز MIT منتشر شده است — تنها هزینه جاری، مصرف توکن مدل است. API مربوط به DeepSeek مدل‌های deepseek-v4-flash، deepseek-v4-pro و نسخه آزمایشی deepseek-v4-flash-vision-exp را با پنجره متنی ۱ میلیون توکن و خروجی تا ۳۸۴ هزار توکن ارائه می‌دهد. قیمت‌گذاری جدید از ۱۶ August ۲۰۲۶ ساعت ۱۶:۰۰ UTC اعمال شد و نرخ‌ها به بازه‌های اوج و غیر اوج تقسیم شدند (اوج: ۰۱:۰۰–۰۴:۰۰ و ۰۶:۰۰–۱۰:۰۰ UTC، دوشنبه تا جمعه).

	v4-flash	v4-pro
Input، کَش موجود، غیر اوج	$0.007 / 1M	$0.022 / 1M
Input، کَش ناموجود، غیر اوج	$0.22 / 1M	$0.66 / 1M
Input، کَش ناموجود، اوج	$0.44 / 1M	$1.32 / 1M
خروجی، غیر اوج	$0.66 / 1M	$1.98 / 1M

جزئیات کامل در صفحه قیمت‌گذاری API مربوط به DeepSeek موجود است. برای کسانی که می‌خواهند هزینه API صفر داشته باشند، آداپتور @deepseek-ai/dsh-llm-pi-ai امکان اتصال DeepSeek Harness به بک‌اندهای مدل محلی و شخص ثالث را فراهم می‌کند؛ از جمله Ollama، vLLM، LM Studio، llama.cpp و هر گیت‌وی سازگار با OpenAI — بنابراین یک مدل کاملاً محلی که رایگان اجرا می‌شود، با همان پیکربندی dsh کار می‌کند.

Claude Code و Codex به عنوان زیرعامل

یکی از انتخاب‌های طراحی که چندان آشکار نیست: DeepSeek Harness می‌تواند به جای جایگزین کردن عوامل کدنویسی شخص ثالث، وظایف را به آن‌ها واگذار کند. بسته @deepseek-ai/dsh-subagent-claude-code یک CLI واقعی Claude Code را از طریق Agent SDK رسمی به عنوان یک فرآیند فرزند اجرا می‌کند، و @deepseek-ai/dsh-subagent-codex همین کار را برای Codex از طریق پروتکل app-server --stdio آن انجام می‌دهد. هر زیرعامل پیکربندی و احراز هویت بومی خود را حفظ می‌کند — DeepSeek Harness نحوه ورود به سیستم این ابزارها را رهگیری یا بازنویسی نمی‌کند. از نسخه 0.1.2-rc.1، مدل مورد استفاده هر زیرعامل را می‌توان مستقل از نشست اصلی پیکربندی کرد.

جدول زمانی انتشار و وضعیت کنونی

قابلیت‌های DeepSeek Harness برای نخستین بار در نسخه رسمی DeepSeek V4 که در ۳۱ جولای ۲۰۲۶ منتشر شد، بی‌سروصدا گنجانده شدند — بدون محصول مستقل یا کد منبع عمومی. انتشار رسمی در ۱۳ August 2026 صورت گرفت: در ساعت ۱۱:۵۶ UTC مخزن عمومی راه‌اندازی شد، @deepseek_ai اعلام کرد که «DeepSeek Harness نسخه ۰.۱ اکنون در پیش‌نمایش توسعه‌دهندگان در دسترس است»، DeepSeek-V4-Pro-0813 به صورت عمومی عرضه شد و پیش‌چاپ Cordis همان روز در arXiv منتشر گردید. ۱۴ August 2026 تاریخ جداگانه‌ای است که دانستنش مفید است: این تاریخ قدیمی‌ترین کامیت قابل‌مشاهده در تاریخچه مخزن عمومی است، به همین دلیل برخی نوشته‌ها آن را روز باز شدن کد معرفی می‌کنند — اما خود مخزن در ۱۳ام ایجاد شده است.

از آن زمان تاکنون، تقریباً هر روز نسخه جدیدی منتشر شده است: نسخه ۰.۱.۱ در ۲۱ August همراه با DeepSeek-V4-Flash-Vision-Exp عرضه شد و نسخه ۰.۱.۲-rc.1 در ۳ September منتشر گردید. README با حروف بزرگ هشدار می‌دهد که تغییرات ناسازگار با نسخه‌های قبلی در پیش است؛ همچنین Issues و Pull Request روی مخزن غیرفعال هستند — بازخورد باید از طریق GitHub Discussions یا Discord ارسال شود.

گام بعدی کجاست

هر بخش از DeepSeek Harness صفحه مخصوص خود را در این راهنما دارد و می‌توانید آن‌ها را به هر ترتیبی بخوانید.

اگر فقط می‌خواهید آن را راه‌اندازی کنید، با نصب DeepSeek Harness شروع کنید؛ اگر سیستم شما Windows است، ابتدا DeepSeek Harness روی Windows را بخوانید — تقریباً تمام خطاهای نصب شناخته‌شده مربوط به Windows هستند. When چیزی خراب می‌شود، راهنمای خطاها خرابی‌ها را دقیقاً با همان عبارت‌هایی که مردم جستجو می‌کنند پوشش می‌دهد.

برای درک آنچه اجرا می‌کنید، مرور مخزن GitHub توضیح می‌دهد که واقعاً چه چیزی درون مونوریپو وجود دارد و Cordis هسته پلاگین زیرین را پوشش می‌دهد. از آنجا، راهنمای پلاگین‌ها نشان می‌دهد قابلیت‌ها چگونه افزوده، جایگزین و منتشر می‌شوند و subagents بخشی را پوشش می‌دهد که تقریباً کسی درباره‌اش نمی‌نویسد — اجرای Claude Code و Codex به عنوان پردازش‌های فرزند توسط dsh.

برای آشنایی با تصمیم‌ها به جای مکانیزم‌ها: قیمت‌گذاری و اقتصاد توکن بررسی می‌کند که تغییر قیمت API در August 2026 چه تأثیری بر استدلال «ارزان‌تر از Claude Code» گذاشت، DeepSeek Harness در برابر Claude Code آن دو را صادقانه از هر دو جهت مقایسه می‌کند و اجرای مدل‌های محلی گزینه‌های Ollama، vLLM، LM Studio و llama.cpp را برای کسانی که ترجیح می‌دهند کدشان را به هیچ جایی نفرستند پوشش می‌دهد. اگر کنجکاوید چه کسانی این پروژه را می‌سازند، صفحه تیم هر آنچه به صورت عمومی درباره گروه داخل DeepSeek که پشت آن است شناخته شده را گردآوری کرده است.

سوالات متداول

DeepSeek Harness چیست؟

یک لایه عامل متن‌باز از DeepSeek AI که یک مدل زبانی را به عاملی تبدیل می‌کند که قادر به برنامه‌ریزی، فراخوانی ابزارها و کار با فایل‌ها و ترمینال است. به زبان TypeScript نوشته شده، تحت مجوز MIT منتشر شده و در ۱۳ اوت ۲۰۲۶ راه‌اندازی شده است.

آیا DeepSeek Harness یک عامل کدنویسی است؟

بیشتر به یک پایه برای ساختن چنین عاملی شبیه است. در حالت استاندارد مانند یک عامل کدنویسی معمولی رفتار می‌کند، اما می‌تواند Claude Code و Codex را نیز به عنوان زیرعامل در زیر خود اجرا کند.

آیا DeepSeek Harness متن‌باز است؟

بله، تحت مجوز MIT منتشر شده است. تنها هزینه شما مصرف توکن‌های مدل است که با استفاده از کلید DeepSeek خودتان، یک ارائه‌دهنده شخص ثالث، یا یک مدل محلی رایگان پرداخت می‌شود.

چگونه DeepSeek Harness را نصب کنم؟

دستور npx @deepseek-ai/dsh web را اجرا کنید — رابط کاربری در http://127.0.0.1:3080 راه‌اندازی می‌شود. به Node.js نسخه ‎^22.19.0 یا ‎24.0.0 یا جدیدتر نیاز دارد.

آیا DeepSeek Harness رایگان است؟

خود DeepSeek Harness هیچ هزینه‌ای ندارد. تنها هزینه جاری مصرف توکن‌های مدل است که می‌توانید با اتصال آن به یک مدل محلی رایگان، از پرداخت آن نیز اجتناب کنید.

آیا DeepSeek Harness با مدل‌های محلی کار می‌کند؟

بله، از طریق آداپتور pi-ai که به Ollama، vLLM، LM Studio، llama.cpp و هر نقطه پایانی سازگار با OpenAI متصل می‌شود.

مفهوم «همه چیز یک افزونه است» به چه معناست؟

مدل‌ها، ابزارها، مهارت‌ها، نشست‌ها، سندباکس‌ها، سیستم‌های فایل، حلقه اصلی، هماهنگی و رابط کاربری همگی به صورت افزونه‌هایی بر پایه رانتایم Cordis پیاده‌سازی شده‌اند، بنابراین هر یک از آن‌ها را می‌توان بدون دست زدن به هسته اصلی جایگزین یا حذف کرد.

DeepSeek Harness در مقابل Claude Code؟

این دو لزوماً رقیب یکدیگر نیستند: DeepSeek Harness می‌تواند خود Claude Code را به عنوان زیرعامل اجرا کند، با استفاده از CLI واقعی Claude Code با مجوز بومی خودش، در حالی که DeepSeek Harness هماهنگی پیرامون آن را بر عهده می‌گیرد.