DeepSeek Harness（dsh）：その概要と実行方法
DeepSeek Harnessは、DeepSeek AIが構築したオープンなエージェント層で、2026年8月13日にMITライセンスのもとで公開されました。これはモデルでも、また別のコーディングエージェントでもありません——あらゆるモデルを実際に動作するエージェントへと変えるスキャフォールディングです。公式製品ページでは、Agent = Model + Harnessというシンプルな数式でこの点を明確に説明しています。
DSH Field Guideは、DeepSeek Harnessを日常的に設定・運用する人々のためにドキュメントを整備した、独立したコミュニティリソースです。DeepSeekとは一切の関係がなく、DeepSeekによる推薦・運営も受けていません。なお、DeepSeekおよびDeepSeek Harnessは各権利者の商標です。
DeepSeek Harnessとは何か
DeepSeek Harness——コマンド名 dsh——はDeepSeek AIが開発し、TypeScriptで記述されたMITライセンスのプロジェクトで、「Everything is a Plugin」というキャッチフレーズを掲げています。GitHubリポジトリ deepseek-ai/deepseek-harness は、2026年9月3日時点ですでに210,610個のスターと24,639件のフォークを獲得しており、オープンソースプロジェクトの成長速度としては記録的な速さのひとつに数えられます。
モデルはエージェントの魂だ。Harnessはエージェントが環境を理解し、ツールを使い、現実の条件下で動き続けることを可能にする。——DeepSeek、DeepSeek Harness公式製品ページ
この一文が設計意図のすべてを言い表しています。DeepSeek Harnessは言語モデルではありません——モデルはサードパーティ製やローカルのものも含め、外部からプラグインする形で接続されます。また、単なるコーディングエージェントでもありません：Claude CodeやCodexは、DeepSeek Harnessと競合するのではなく、その内部にサブエージェントとして組み込むことができます。さらに、ベンチマークフレームワークでもありません——EleutherAIの lm-evaluation-harness はモデルのスコアリングに使われる別のPythonプロジェクトであり、pip install -r requirements.txt で設定する deepseek-ai/DeepSeek-Harness というリポジトリは存在しません。本物のdshはNode.jsで動作し、npx を通じてインストールします。
Формула «агент = модель + Harness»
Всё, кроме обучения самой модели, живёт в DeepSeek Harness: планирование задач, вызовы инструментов, выполнение кода, управление контекстом, сессии, права доступа и интерфейс. В собственных материалах по найму DeepSeek описывает этот слой без обиняков как уровень управления моделью — часть, которая управляет контекстом, вызывает инструменты, читает и записывает файлы, запускает терминал и самостоятельно исправляет результат.
Чем dsh НЕ является
Для тех, кто только знакомится с проектом, постоянно всплывают три разграничения:
- Not языковая модель. DeepSeek Harness подключается к модели через адаптер; моделью может быть как собственная разработка DeepSeek, так и совершенно другой провайдер.
- Not просто агент для написания кода. Настоящие CLI Claude Code и Codex могут запускаться как субагенты внутри него.
- Not фреймворк для бенчмарков.
lm-evaluation-harness(EleutherAI) — это Python-проект для оценки моделей DeepSeek, а не продукт DeepSeek; это два никак не связанных репозитория, которые просто имеют общее слово в названии.
Everything — это плагин
DeepSeek Harness построен на Cordis, среде выполнения плагинов, и слоган «Everything is a Plugin» — не маркетинговый приём: модели, инструменты, навыки, сессии, песочницы, файловые системы, основной цикл, оркестрация и UI — всё реализовано в виде плагинов. Директория packages/ содержит более 200 пакетов рабочего пространства, а плагин можно выгрузить на лету без перезапуска процесса.
Чем это отличается от обычного агентного фреймворка
Типичный агентный фреймворк — это один основной цикл плюс набор возможностей, подключённых вручную; добавление новой возможности означает правку цикла, перестройку сборки промпта и повторную регистрацию инструментов. DeepSeek Harness превратил сам основной цикл в плагин, поэтому для расширения достаточно добавить новый плагин рядом с существующими, а не патчить ядро.
Стыки возможностей
Каждая заменяемая возможность разделена на три роли: определение, реализация и потребитель. Замена одной реализации меняет поведение продукта везде, где эта возможность используется, — без необходимости форкать проект.
Cordis: ядро среды выполнения
Cordis — это среда выполнения плагинов, лежащая в основе DeepSeek Harness; она описывает себя как фреймворк для «пространственно-временной компонуемости». Её архитектура задокументирована в препринте arXiv 2608.25512, «A Programming Paradigm for Spatiotemporal Composability» — статье на 88 страниц, опубликованной August 13, 2026 авторами Yifan Shi, Wei Zhang и Tianyi Cui.
Модель определяют два свойства. Временна́я компонуемость означает, что выгрузка компонента полностью отменяет все вызванные им эффекты. Пространственная компонуемость означает, что компоненты объявляют свои зависимости и соединяются реактивно. DeepSeek встраивает Cordis непосредственно в DeepSeek Harness, а не подключает его как внешний пакет.
Cordis появился раньше DeepSeek Harness — это самостоятельный проект с открытым исходным кодом разработчика Yifan Shi (известного как Shigma), и с 2019 года он служит плагиновым ядром фреймворка чат-бота Koishi. Правило «выгрузка плагина должна отменять всё, что он сделал» возникло именно в том более раннем проекте.
Журнал сессии с дозаписью
Каждый запуск пишет в журнал с дозаписью: системные промпты, трассировки рассуждений, вызовы инструментов и их результаты, планирование субагентов и все инъекции контекста. Возобновление, форк, поиск и воспроизведение работают путём повторного чтения этого журнала, а не отдельного хранилища состояний.
Веб-интерфейс отображает статистику, которую большинство агентных сред скрывают полностью: токенов в секунду, процент попаданий в кэш, число ходов и прошедшее время. Когда проект обсуждался на Hacker News, тред собрал 747 очков и 314 комментариев, а прозрачность журнала сессии стала одной из наиболее высоко оценённых особенностей в обсуждении.
Четыре режима: стандартный, кодовый, минимальный, творческий
| Режим | What it gives you | When to use it |
|---|---|---|
| Standard | Полный набор инструментов, агент общего назначения | Повседневные задачи |
| Code | Инструменты, доступные через Code Mode SDK; модель пишет программу на TypeScript | Сложная многошаговая автоматизация |
| Minimal | Только bash и редактор в стиле str_replace | Честное сравнительное тестирование моделей |
| Creator | Сборка собственного пресета | Создание пользовательского профиля или набора |
Быстрый старт одной командой
Самый быстрый способ запустить экземпляр — одна строка:
npx @deepseek-ai/dsh webЭта команда запускает веб-интерфейс по адресу http://127.0.0.1:3080 и открывает его в браузере; добавьте --no-open, чтобы пропустить открытие браузера на машине без дисплея. Требуется Node.js ^22.19.0 или ≥ 24.0.0, а также pnpm 11.7.0 при сборке из исходников:
git clone https://github.com/deepseek-ai/deepseek-harness.gitcd deepseek-harnesspnpm installpnpm run buildpnpm dsh web- Прочитайте
SAFETY.md, прежде чем направлять агента на реальный проект — README требует этого. - Введите ваш API-ключ при запросе; он хранится в
$DSH_HOME/.credentials.yamlи отображается в интерфейсе в маскированном виде.
Три шага для первого запуска
Откройте Настройки, перейдите в раздел Модели и вставьте ключ API — маршрут активируется сразу, перезапускать сервер не нужно. Добавьте и выберите рабочую папку: поле ввода задачи остаётся неактивным, пока папка не выбрана. Затем отправьте задачу. Всё, что выходит за рамки уже предоставленных разрешений, будет запрошено у вас для подтверждения перед выполнением.
Другие способы запуска
Помимо веб-интерфейса, DeepSeek Harness поставляется с TUI (dsh --profile tui), режимом без интерфейса для скриптов и CI (dsh --profile headless "task description"), Python SDK (pip install deepseek-harness-sdk, который включает собственную среду выполнения, так что системная установка Node.js не требуется — сборка для Windows x64 появилась в 0.1.2-rc.1), а также TypeScript SDK для встраивания непосредственно в другое приложение.
Модели, провайдеры и стоимость
Сам DeepSeek Harness бесплатен и распространяется с открытым исходным кодом под лицензией MIT — единственная регулярная трата это токены модели. DeepSeek API предоставляет deepseek-v4-flash, deepseek-v4-pro и экспериментальную deepseek-v4-flash-vision-exp, все с контекстным окном в 1M токенов и выводом до 384K токенов. Новые тарифы вступили в силу 16 August 2026 в 16:00 UTC и разделяют ставки на пиковые и внепиковые периоды (пик: 01:00–04:00 и 06:00–10:00 UTC, с понедельника по пятницу).
| v4-flash | v4-pro | |
|---|---|---|
| Input, попадание в кэш, внепик | $0.007 / 1M | $0.022 / 1M |
| Input, промах кэша, внепик | $0.22 / 1M | $0.66 / 1M |
| Input, промах кэша, пик | $0.44 / 1M | $1.32 / 1M |
| Вывод, внепик | $0.66 / 1M | $1.98 / 1M |
Подробности — на странице тарифов DeepSeek API. Для тех, кто хочет нулевых затрат на API, адаптер @deepseek-ai/dsh-llm-pi-ai подключает DeepSeek Harness к сторонним и локальным бэкендам моделей, включая Ollama, vLLM, LM Studio, llama.cpp и любой шлюз, совместимый с OpenAI — то есть полностью локальная модель, работающая бесплатно, использует ту же настройку dsh.
Claude Code и Codex в роли субагентов
Одно из неочевидных архитектурных решений: DeepSeek Harness умеет делегировать задачи реальным сторонним агентам для работы с кодом, а не заменять их. Пакет @deepseek-ai/dsh-subagent-claude-code запускает полноценный CLI Claude Code как дочерний процесс через официальный Agent SDK, а @deepseek-ai/dsh-subagent-codex делает то же самое для Codex через его протокол app-server --stdio. Каждый субагент сохраняет собственную конфигурацию и авторизацию — DeepSeek Harness не перехватывает и не переопределяет способ входа этих инструментов. Начиная с версии 0.1.2-rc.1, модель, используемая каждым субагентом, настраивается отдельно от родительской сессии.
Хронология выпусков и текущий статус
Возможности DeepSeek Harness впервые появились без лишней огласки в составе официального выпуска DeepSeek V4 от 31 июля 2026 года — без отдельного продукта и публичных исходников. Официальный запуск состоялся 13 августа 2026 года: в 11:56 UTC открылся публичный репозиторий, @deepseek_ai сообщил о том, что «DeepSeek Harness v0.1 доступен в режиме Developer Preview», DeepSeek-V4-Pro-0813 вышел в общий доступ, а препринт Cordis появился на arXiv в тот же день. 14 августа 2026 года — отдельная дата, которую стоит знать: именно тогда появился самый ранний коммит в истории публичного репозитория, из-за чего ряд материалов называет этот день открытием кода — сам репозиторий, однако, был создан 13-го.
С тех пор проект выпускает новые сборки почти каждый день: версия 0.1.1 вышла 21 августа вместе с DeepSeek-V4-Flash-Vision-Exp, а 0.1.2-rc.1 последовала 3 сентября. В README заглавными буквами предупреждается о предстоящих изменениях, нарушающих обратную совместимость; Issues и Pull Requests в репозитории отключены — обратная связь принимается через GitHub Discussions или Discord.
Что читать дальше
Каждой части DeepSeek Harness посвящена отдельная страница этого руководства, и читать их можно в любом порядке.
Начните с установки DeepSeek Harness, если хотите просто запустить его, а если ваша машина работает под Windows — сначала прочитайте DeepSeek Harness на Windows: почти все известные проблемы при установке связаны именно с Windows. Когда что-то идёт не так, руководство по ошибкам охватывает типичные сбои с точными формулировками, по которым люди ищут решения.
Чтобы разобраться в том, что именно вы запускаете, обзор репозитория на GitHub объясняет, что реально находится внутри монорепозитория, а Cordis рассказывает о лежащем в основе ядре плагинов. Далее руководство по плагинам показывает, как добавляются, заменяются и поставляются возможности системы, а субагенты раскрывают то, о чём почти никто не пишет, — как dsh запускает Claude Code и Codex в качестве дочерних процессов.
Для тех, кого интересуют не механика, а принятые решения: ценообразование и экономика токенов разбирает, что изменение цен API в August 2026 года сделало с аргументом «дешевле, чем Claude Code»; DeepSeek Harness против Claude Code честно сравнивает их с обеих сторон; запуск локальных моделей посвящён Ollama, vLLM, LM Studio и llama.cpp для тех, кто предпочитает не отправлять код за пределы своей машины. Если вам интересно, кто стоит за этим проектом, страница команды собирает всё, что публично известно о группе внутри DeepSeek, которая его создаёт.