DeepSeek Harness (dsh): wat het is en hoe je het gebruikt
DeepSeek Harness is een open agent-laag, ontwikkeld door DeepSeek AI en op 13 augustus 2026 uitgebracht onder de MIT-licentie. Het is geen model en ook geen nieuwe coding-agent — het is de infrastructuur die van elk model een werkende agent maakt. De officiële productpagina stelt dit rechtstreeks met een eenvoudige formule: Agent = Model + Harness.
DSH Field Guide is een onafhankelijke community-bron, opgezet om DeepSeek Harness te documenteren voor mensen die het installeren en dagelijks gebruiken. Het is niet gelieerd aan, goedgekeurd door of beheerd door DeepSeek, en DeepSeek en DeepSeek Harness zijn handelsmerken van hun respectieve eigenaar.
Wat DeepSeek Harness werkelijk is
DeepSeek Harness — opdrachtnaam dsh — wordt ontwikkeld door DeepSeek AI en is geschreven in TypeScript onder de MIT-licentie, met de tagline “Everything is a Plugin.” De GitHub-repository deepseek-ai/deepseek-harness had op 3 september 2026 al 210.610 sterren en 24.639 forks verzameld — snel genoeg om bij de snelst groeiende open-source lanceringen ooit te horen.
Het model is de ziel van de agent. De harness stelt de agent in staat zijn omgeving te begrijpen, tools te gebruiken en onder echte omstandigheden door te werken.— DeepSeek, officiële DeepSeek Harness-productpagina
Die zin vat de volledige ontwerpdoelstelling samen. DeepSeek Harness is geen taalmodel — het model wordt van buitenaf ingeplugd, inclusief een model van een derde partij of een lokaal model. Het is ook niet zomaar een nieuwe coding-agent: Claude Code en Codex kunnen erin worden gemonteerd als subagents in plaats van ermee te concurreren. En het is geen benchmark-framework — EleutherAI’s lm-evaluation-harness is een apart Python-project dat wordt gebruikt om modellen te scoren, en er bestaat geen repository met de naam deepseek-ai/DeepSeek-Harness met een pip install -r requirements.txt-installatie. De echte dsh draait op Node.js en wordt geïnstalleerd via npx.
De formule Agent = Model + Harness
Alles behalve het trainen van het model zelf bevindt zich in DeepSeek Harness: taakplanning, tool-aanroepen, code-uitvoering, contextbeheer, sessies, rechten en de interface. Het eigen wervingsmateriaal van DeepSeek omschrijft deze laag kortweg als een modelbesturingslaag — het onderdeel dat context beheert, tools aanroept, bestanden leest en schrijft, een terminal uitvoert en het resultaat zelf corrigeert.
Wat dsh NIET is
Drie onderscheiden duiken voortdurend op voor iedereen die nieuw is bij het project:
- Geen taalmodel. DeepSeek Harness maakt via een adapter verbinding met een model; dat model kan van DeepSeek zelf zijn of van een volledig andere aanbieder.
- Niet louter een coding-agent. Echte Claude Code- en Codex-CLI’s kunnen er als subagenten onder draaien.
- Geen benchmarkraamwerk.
lm-evaluation-harness(EleutherAI) is een Python-project waarmee de modellen van DeepSeek worden beoordeeld, geen DeepSeek-product — de twee zijn niet-gerelateerde codebases die alleen een woord in hun naam gemeen hebben.
Everything is een plugin
DeepSeek Harness is gebouwd op Cordis, een pluginruntime, en de slogan “Everything is a Plugin” is geen marketingpraat — modellen, tools, vaardigheden, sessies, sandboxen, bestandssystemen, de hoofdlus zelf, orkestratie en de UI zijn allemaal als plugins geïmplementeerd. De map packages/ bevat meer dan 200 workspace-packages, en een plugin kan ter plekke worden ontkoppeld zonder het proces opnieuw te starten.
Waarom dat verschilt van een gewoon agentframework
Een typisch agentframework bestaat uit één hoofdlus plus een hoop handmatig ingebedde mogelijkheden; een nieuwe mogelijkheid toevoegen betekent de lus bewerken, de promptopbouw herbouwen en tools opnieuw registreren. DeepSeek Harness heeft de hoofdlus zelf tot een plugin gemaakt, zodat uitbreiden betekent dat je een nieuwe plugin naast de bestaande hangt in plaats van de kern te patchen.
Capability-grensvlakken
Elke vervangbare capability is opgesplitst in drie rollen — definitie, implementatie en afnemer. Het verwisselen van één implementatie verandert het gedrag van het product overal waar die capability wordt gebruikt, zonder dat er een fork nodig is.
Cordis: de runtime-kern
Cordis is de pluginruntime onder DeepSeek Harness en beschrijft zichzelf als een raamwerk voor “ruimtelijk-temporele composability”. Het ontwerp is gedocumenteerd in de preprint arXiv 2608.25512, “A Programming Paradigm for Spatiotemporal Composability”, een paper van 88 pagina’s gepubliceerd op 13 August 2026 door Yifan Shi, Wei Zhang en Tianyi Cui.
Twee eigenschappen definiëren het model. Temporele composability betekent dat het verwijderen van een component elk effect dat het veroorzaakte volledig terugdraait. Ruimtelijke composability betekent dat componenten hun afhankelijkheden declareren en reactief aan elkaar worden gekoppeld. DeepSeek levert Cordis rechtstreeks mee in DeepSeek Harness in plaats van er als extern pakket van afhankelijk te zijn.
Cordis zelf is ouder dan DeepSeek Harness — het is een zelfstandig open-sourceproject van ontwikkelaar Yifan Shi (bekend als Shigma) en fungeert sinds 2019 als pluginkern van het Koishi-chatbotframework. De regel dat “het verwijderen van een plugin alles wat die deed ongedaan moet maken” is voortgekomen uit dat eerdere project.
Het append-only sessielogboek
Elke uitvoering schrijft naar een append-only log: systeemprompts, redeneertraces, tool-aanroepen en hun resultaten, subagent-planning en elke contextinjectie. Hervatten, forken, zoeken en opnieuw afspelen werken allemaal door dat log terug te lezen in plaats van een aparte statusopslag.
De webinterface toont statistieken die de meeste agent-runtimes volledig verbergen: tokens per seconde, cachetrefferkans, aantal beurten en verstreken uitvoertijd. Toen het project op Hacker News werd besproken, verzamelde de thread 747 punten en 314 reacties, en de transparantie van dat sessielogboek was een van de meest geprezen details in de discussie.
Vier modi: standaard, code, minimaal, creator
| Modus | What it gives you | When to use it |
|---|---|---|
| Standaard | Volledige toolset, algemeen agent | Dagelijkse taken |
| Code | Tools toegankelijk via de Code Mode SDK; het model schrijft een TypeScript-programma | Complexe meerstappenautomatisering |
| Minimaal | Alleen bash en een str_replace-achtige editor | Eerlijke, appels-met-appels-modelbenchmarking |
| Creator | Stel je eigen preset samen | Een aangepast profiel of bundel bouwen |
Snel aan de slag met één opdracht
De snelste manier om een werkende instantie te starten is één regel:
npx @deepseek-ai/dsh webDie opdracht start een webinterface op http://127.0.0.1:3080 en opent deze in een browser; voeg --no-open toe om het openen van de browser op een headless machine over te slaan. Het vereist Node.js ^22.19.0 of ≥ 24.0.0, en pnpm 11.7.0 als je vanuit de broncode bouwt:
git clone https://github.com/deepseek-ai/deepseek-harness.gitcd deepseek-harnesspnpm installpnpm run buildpnpm dsh web- Lees
SAFETY.mdvoordat je de agent op een echt project loslaat — de README vereist dit. - Voeg je API-sleutel toe wanneer daarom wordt gevraagd; deze wordt opgeslagen in
$DSH_HOME/.credentials.yamlen gemaskeerd weergegeven in de interface.
Eerste keer in drie stappen
Open Instellingen, ga naar Modellen en plak een API-sleutel — de route is meteen actief, zonder dat de server opnieuw hoeft te worden gestart. Voeg een werkmap toe en selecteer deze; het taakinvoerveld blijft uitgeschakeld totdat een map is gekozen. Stuur daarna een taak. Alles wat buiten de al verleende rechten valt, wordt je ter bevestiging voorgelegd voordat het wordt uitgevoerd.
Andere toegangspunten
Naast de webinterface bevat DeepSeek Harness een TUI (dsh --profile tui), een headless-modus voor scripts en CI (dsh --profile headless "task description"), een Python SDK (pip install deepseek-harness-sdk, die zijn eigen runtime meelevert zodat een systeeminstallatie van Node.js niet vereist is — een Windows x64-build verscheen in 0.1.2-rc.1), en een TypeScript SDK om het rechtstreeks in een andere applicatie in te bedden.
Modellen, providers en wat het kost
DeepSeek Harness zelf is gratis en open onder de MIT-licentie — de enige terugkerende kosten zijn het tokengebruik van het model. De DeepSeek API biedt deepseek-v4-flash, deepseek-v4-pro en het experimentele deepseek-v4-flash-vision-exp, alle met een contextvenster van 1M tokens en uitvoer tot 384K tokens. Nieuwe prijzen zijn ingegaan op 16 augustus 2026 om 16:00 UTC, met een onderscheid tussen piek- en daltarieven (piek: 01:00–04:00 en 06:00–10:00 UTC, maandag tot en met vrijdag).
| v4-flash | v4-pro | |
|---|---|---|
| Input, cache hit, off-peak | $0,007 / 1M | $0,022 / 1M |
| Input, cache miss, off-peak | $0,22 / 1M | $0,66 / 1M |
| Input, cache miss, peak | $0,44 / 1M | $1,32 / 1M |
| Output, off-peak | $0,66 / 1M | $1,98 / 1M |
Alle details staan op de DeepSeek API-prijzenpagina. Voor wie zonder API-kosten wil werken: de adapter @deepseek-ai/dsh-llm-pi-ai koppelt DeepSeek Harness aan externe en lokale modelbackends, waaronder Ollama, vLLM, LM Studio, llama.cpp en elke OpenAI-compatibele gateway — zodat een volledig lokaal model, gratis gedraaid, werkt met dezelfde dsh-setup.
Claude Code en Codex als subagenten
Een van de minder voor de hand liggende ontwerpkeuzes: DeepSeek Harness kan taken delegeren aan echte externe codeeragenten in plaats van ze te vervangen. Het pakket @deepseek-ai/dsh-subagent-claude-code start een echte Claude Code CLI als onderliggend proces via de officiële Agent SDK, en @deepseek-ai/dsh-subagent-codex doet hetzelfde voor Codex via het app-server --stdio-protocol. Elke subagent behoudt zijn eigen native configuratie en autorisatie — DeepSeek Harness onderschept niet en overschrijft niet hoe die tools inloggen. Vanaf 0.1.2-rc.1 kan het model dat elke subagent gebruikt afzonderlijk worden ingesteld, los van de bovenliggende sessie.
Хронология выпусков и текущий статус
Возможности DeepSeek Harness впервые появились без лишней огласки в официальном выпуске DeepSeek V4 от 31 июля 2026 года — без отдельного продукта и открытого исходного кода. Полноценный запуск состоялся 13 августа 2026 года: в 11:56 UTC публичный репозиторий стал доступен, @deepseek_ai сообщил, что «DeepSeek Harness v0.1 теперь 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 запомнить: это самый ранний коммит, видимый в истории публичного репозитория, именно поэтому в ряде материалов его называют днём открытия кода — однако сам репозиторий 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 грядущих изменениях, ломающих обратную совместимость; вопросы и pull-реквесты в репозитории отключены — обратная связь принимается через GitHub Discussions или Discord.
Куда двигаться 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 у вас Windows — сначала прочитайте DeepSeek Harness на Windows: почти все известные ошибки установки связаны именно с этой платформой. Когда что-то идёт не так, руководство по ошибкам разбирает типичные сбои по тем формулировкам, которые люди вводят в поиске.
Чтобы понять, что именно вы запускаете, обзор репозитория на GitHub объясняет, что находится внутри монорепозитория, а Cordis описывает лежащее в его основе ядро плагинов. Далее руководство по плагинам показывает, как добавляются, заменяются и поставляются новые возможности, а субагенты охватывают то, о чём почти никто не пишет, — запуск Claude Code и Codex как дочерних процессов внутри dsh.
Для тех, кого интересуют решения, а не механика: ценообразование и токен-экономика 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, а запуск локальных моделей охватывает Ollama, vLLM, LM Studio и llama.cpp для тех, кто предпочитает не отправлять код никуда. Если вам интересно, кто стоит за проектом, страница команды собирает всё, что публично известно о группе внутри DeepSeek.