DeepSeek Harness (dsh): Ce este și cum se rulează

DeepSeek Harness este un strat de agent deschis, construit de DeepSeek AI și lansat pe 13 August 2026 sub licența MIT. Nu este un model și nu este încă un alt agent de programare — este scheletul care transformă orice model într-un agent funcțional, lucru pe care pagina oficială a produsului îl afirmă direct printr-o formulă simplă: Agent = Model + Harness.

DSH Field Guide este o resursă independentă a comunității, creată pentru a documenta DeepSeek Harness în beneficiul celor care îl configurează și îl utilizează zilnic. Nu are nicio afiliere cu DeepSeek, nu este aprobată de aceasta și nu este operată de DeepSeek, iar DeepSeek și DeepSeek Harness rămân mărci comerciale ale proprietarului respectiv.

Ce este, de fapt, DeepSeek Harness

DeepSeek Harness — numele comenzii: dsh — este dezvoltat de DeepSeek AI și scris în TypeScript sub licența MIT, cu sloganul „Everything is a Plugin.” Depozitul GitHub, deepseek-ai/deepseek-harness, acumulase deja 210.610 stele și 24.639 fork-uri până pe 3 September 2026, un ritm de creștere suficient de rapid pentru a-l plasa printre cele mai rapide lansări open-source din câte s-au înregistrat.

Modelul este sufletul agentului. Harness-ul îi permite agentului să-și înțeleagă mediul, să utilizeze unelte și să continue să lucreze în condiții reale.— DeepSeek, pagina oficială a produsului DeepSeek Harness

Această afirmație surprinde întreaga intenție de design. DeepSeek Harness nu este un model de limbaj — modelul se conectează din exterior, inclusiv unul terț sau local. Nu este nici doar un alt agent de programare: Claude Code și Codex pot fi montate în interior ca subagenti, în loc să concureze cu el. Și nu este un framework de benchmark — lm-evaluation-harness de la EleutherAI este un proiect Python separat, folosit pentru evaluarea modelelor, și nu există niciun depozit numit deepseek-ai/DeepSeek-Harness cu o configurare pip install -r requirements.txt. Adevăratul dsh rulează pe Node.js și se instalează prin npx.

Formula: Agent = Model + Harness

Tot ce nu ţine de antrenarea propriu-zisă a modelului intră în DeepSeek Harness: planificarea sarcinilor, apelurile de instrumente, execuţia codului, gestionarea contextului, sesiunile, permisiunile şi interfaţa. Materialele interne de recrutare ale DeepSeek descriu acest nivel direct ca pe un strat de control al modelului — componenta care gestionează contextul, apelează instrumente, citeşte şi scrie fişiere, rulează un terminal şi corectează automat rezultatele.

Ce NU este dsh

Trei distincţii apar în mod constant pentru cei noi în proiect:

• Not un model de limbaj. DeepSeek Harness se conectează la un model printr-un adaptor; modelul poate fi cel propriu al DeepSeek sau unul furnizat de un terţ complet diferit.
• Not doar un agent de programare. CLI-urile reale Claude Code şi Codex pot rula ca sub-agenţi în interiorul său.
• Not un framework de evaluare. lm-evaluation-harness (EleutherAI) este un proiect Python utilizat pentru testarea modelelor DeepSeek, nu un produs DeepSeek — cele două sunt baze de cod fără legătură, care împart doar un cuvânt din denumirile lor.

Everything este un plugin

DeepSeek Harness este construit pe Cordis, un runtime de plugin-uri, iar motto-ul „Everything is a Plugin” nu este doar un slogan de marketing — modelele, instrumentele, skill-urile, sesiunile, sandbox-urile, sistemele de fişiere, bucla principală, orchestrarea şi interfaţa sunt toate implementate ca plugin-uri. Directorul packages/ conţine peste 200 de pachete de spaţiu de lucru, iar un plugin poate fi demontat în timp real fără a reporni procesul.

De ce este diferit faţă de un framework obişnuit de agenţi

Un framework tipic de agenţi constă dintr-o buclă principală şi un set de capabilităţi conectate manual; adăugarea unei noi capabilităţi înseamnă editarea buclei, reconstruirea asamblării promptului şi reînregistrarea instrumentelor. DeepSeek Harness a transformat bucla principală însăşi într-un plugin, astfel că extinderea sa înseamnă adăugarea unui plugin nou alături de cele existente, nu modificarea nucleului.

Puncte de îmbinare ale capabilităţilor

Fiecare capabilitate înlocuibilă este împărţită în trei roluri — definiţie, implementare şi consumator. Înlocuirea unei implementări modifică comportamentul produsului pretutindeni unde este utilizată acea capabilitate, fără a fi necesară ramificarea codului.

Cordis: nucleul runtime

Cordis este runtime-ul de plugin-uri de sub DeepSeek Harness şi se descrie ca un framework pentru „compozabilitate spaţio-temporală”. Designul său este documentat în preprintul arXiv 2608.25512, „A Programming Paradigm for Spatiotemporal Composability”, o lucrare de 88 de pagini publicată pe 13 August 2026 de Yifan Shi, Wei Zhang şi Tianyi Cui.

Două proprietăţi definesc modelul. Compozabilitatea temporală înseamnă că descărcarea unei componente revocă complet toate efectele pe care le-a produs. Compozabilitatea spaţială înseamnă că componentele îşi declară dependenţele şi sunt conectate reactiv. DeepSeek integrează Cordis direct în DeepSeek Harness, în loc să îl utilizeze ca pachet extern.

Cordis există independent de DeepSeek Harness — este un proiect open-source de sine stătător creat de dezvoltatorul Yifan Shi (cunoscut ca Shigma) şi serveşte drept nucleu de plugin-uri al framework-ului de chatbot Koishi din 2019. Regula conform căreia „descărcarea unui plugin trebuie să anuleze tot ceea ce a făcut acesta” a apărut din acel proiect anterior.

Jurnalul de sesiune doar-cu-adăugare

Fiecare rulare scrie într-un jurnal doar-cu-adăugare: prompturi de sistem, trasee de raționament, apeluri de instrumente și rezultatele lor, planificarea subagentului și fiecare injecție de context. Reluarea, bifurcarea, căutarea și redarea funcționează prin citirea înapoi a acelui jurnal, nu a unui spațiu de stare separat.

Interfața web afișează statistici pe care majoritatea mediilor de execuție a agenților le ascund complet: tokeni pe secundă, rata de cache hit, numărul de tururi și durata totală de rulare. Când proiectul a fost discutat pe Hacker News, firul a strâns 747 de puncte și 314 comentarii, iar transparența acelui jurnal de sesiune a fost unul dintre cele mai apreciate detalii din discuție.

Patru moduri: standard, cod, minimal, creator

Pornire rapidă într-o singură comandă

Cea mai rapidă cale spre o instanță funcțională este o singură linie:

npx @deepseek-ai/dsh web

Această comandă pornește o interfață web la http://127.0.0.1:3080 și o deschide în browser; adaugă --no-open pentru a sări peste deschiderea browserului pe o mașină fără interfață grafică. Necesită Node.js ^22.19.0 sau ≥ 24.0.0, și pnpm 11.7.0 dacă compilezi din sursă:

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. Citește SAFETY.md înainte de a îndrepta agentul spre un proiect real — README-ul o cere explicit.
7. Adaugă cheia ta API când ești solicitat; aceasta este stocată în $DSH_HOME/.credentials.yaml și apare mascată în interfață.

Primii trei paşi

Deschide Settings, mergi la Models şi lipeşte un API key — ruta se activează imediat, fără a reporni serverul. Adaugă şi selectează un folder de lucru; câmpul pentru sarcini rămâne dezactivat până când nu e ales un folder. Apoi trimite o sarcină. Tot ce depăşeşte permisiunile deja acordate îţi este prezentat spre confirmare înainte de execuţie.

Alte modalităţi de acces

Pe lângă interfaţa web, DeepSeek Harness include un TUI (dsh --profile tui), un mod headless pentru scripturi şi CI (dsh --profile headless "task description"), un SDK Python (pip install deepseek-harness-sdk, care include propriul runtime, aşa că o instalare de sistem Node.js nu este necesară — un build Windows x64 a apărut în 0.1.2-rc.1) şi un SDK TypeScript pentru integrarea directă într-o altă aplicaţie.

Modele, furnizori şi costuri

DeepSeek Harness este gratuit şi open-source sub licenţa MIT — singurul cost recurent este consumul de tokeni al modelului. API-ul DeepSeek oferă deepseek-v4-flash, deepseek-v4-pro şi experimentalul deepseek-v4-flash-vision-exp, toate cu o fereastră de context de 1M tokeni şi output de până la 384K tokeni. Noile tarife au intrat în vigoare pe 16 August 2026 la 16:00 UTC, împărţind ratele în intervale de vârf şi în afara vârfului (vârf: 01:00–04:00 şi 06:00–10:00 UTC, luni până vineri).

Detalii complete se găsesc pe pagina de preţuri DeepSeek API. Pentru cei care doresc zero costuri API, adaptorul @deepseek-ai/dsh-llm-pi-ai conectează DeepSeek Harness la backend-uri de modele locale sau terţe, inclusiv Ollama, vLLM, LM Studio, llama.cpp şi orice gateway compatibil OpenAI — astfel, un model complet local, rulat gratuit, funcţionează cu aceeaşi configuraţie dsh.

Claude Code şi Codex ca subaghenţi

Una dintre opţiunile de design mai puţin evidente: DeepSeek Harness poate delega sarcini unor agenţi de codare terţi reali, în loc să îi înlocuiască. Pachetul @deepseek-ai/dsh-subagent-claude-code lansează un CLI real Claude Code ca proces copil prin intermediul SDK-ului oficial Agent, iar @deepseek-ai/dsh-subagent-codex face acelaşi lucru pentru Codex prin protocolul app-server --stdio. Fiecare subagent îşi păstrează propria configuraţie nativă şi autorizare — DeepSeek Harness nu interceptează şi nu suprascrie modul în care acele instrumente se autentifică. Începând cu versiunea 0.1.2-rc.1, modelul utilizat de fiecare subagent poate fi configurat separat faţă de sesiunea părinte.

Cronologia lansărilor și starea actuală

Funcționalitățile DeepSeek Harness au fost livrate discret în cadrul versiunii oficiale DeepSeek V4, pe 31 iulie 2026, fără un produs de sine stătător sau cod sursă public. Lansarea propriu-zisă a avut loc pe 13 august 2026: la ora 11:56 UTC, depozitul public a devenit activ, @deepseek_ai a anunțat că „DeepSeek Harness v0.1 este acum disponibil în Developer Preview”, DeepSeek-V4-Pro-0813 a atins disponibilitatea generală, iar preprintul Cordis a apărut pe arXiv în aceeași zi. 14 august 2026 este o dată separată care merită reținută: este cel mai vechi commit vizibil în istoricul public al depozitului, motiv pentru care unele articole o descriu drept ziua în care codul a devenit deschis — depozitul în sine, însă, a fost creat pe 13.

De atunci, proiectul a livrat o nouă versiune aproape în fiecare zi: versiunea 0.1.1 a apărut pe 21 august împreună cu DeepSeek-V4-Flash-Vision-Exp, iar 0.1.2-rc.1 a urmat pe 3 septembrie. README-ul avertizează cu majuscule că vor exista modificări care rup compatibilitatea, iar problemele și pull request-urile sunt dezactivate pe depozit — feedback-ul se transmite prin GitHub Discussions sau Discord.

Ce urmează

Fiecare parte a DeepSeek Harness are propria pagină în acest ghid, iar paginile sunt concepute pentru a fi citite în orice ordine.

Începe cu instalarea DeepSeek Harness dacă vrei pur și simplu să-l pui în funcțiune, și citește mai întâi DeepSeek Harness pe Windows dacă acesta este sistemul tău — aproape toate erorile de instalare cunoscute sunt pe Windows. When ceva nu merge, ghidul de erori acoperă problemele după formularea exactă pe care o caută oamenii.

Pentru a înțelege ce rulezi, ghidul depozitului GitHub explică ce se află efectiv în monorepozitoriu, iar Cordis acoperă kernelul de plugin-uri de dedesubt. De acolo, ghidul de plugin-uri arată cum sunt adăugate, înlocuite și livrate capacitățile, iar subagents acoperă aspectul despre care aproape nimeni nu scrie — dsh rulând Claude Code și Codex ca procese copil.

Pentru decizii, nu mecanisme: prețuri și economie de tokeni analizează ce a schimbat modificarea prețurilor API din August 2026 în argumentul „mai ieftin decât Claude Code”, DeepSeek Harness versus Claude Code le compară onest în ambele direcții, iar rularea modelelor locale acoperă Ollama, vLLM, LM Studio și llama.cpp pentru cei care preferă să nu trimită codul nicăieri. Dacă ești curios cine construiește acest proiect, pagina echipei adună tot ce se știe public despre grupul din interiorul DeepSeek din spatele acestuia.

FAQ