Qu'est-ce que DeepSeek Harness
DeepSeek a open-sourced l'exécution agentique DeepSeek Harness: version v0.1 est publié en mode aperçu développeur et est disponible sous la licence MIT. Le projet est distribué sous la forme dsh paquet dans le dépôt de deepseek-ai/deepseek-harness.
Selon les auteurs, Harness est une couche entre le modèle et l'environnement dans lequel il opère. Il comprend des outils, un système de fichiers, des boîtes à sable et une boucle de contrôle. La formule est simple: Agent = Modèle + Harnais. En d'autres termes, ce n'est pas un assistant prêt à l'emploi, mais un cadre à partir duquel un tel assistant est assemblé.
Il est important de comprendre : v0.1 est spécifiquement l'infrastructure du développeur. Il n'est pas encore destiné aux charges de production, mais il vous permet de valider les idées architecturales du projet à un stade précoce et de construire vos propres solutions sur eux.
Architecture : tout est un plugin
La principale différence par rapport à la plupart des harnais avec une couche fixe est la position indiquée littéralement dans les premières lignes du README: Tout est un plugin. Modèles, outils, compétences, sessions, bacs à sable, stockage, boucles d'exécution, planificateurs, et même l'interface utilisateur sont tous externalisés comme plugins Cordis.
Cordis est un méta-cadre dont la conception est décrite dans le document « Un paradigme de programmation pour la composabilité spatiotemporelle ». Son noyau n'est responsable que du montage et du démontage des plugins et de la gestion de leurs dépendances. Toutes les capacités vivent dans des plugins, pas dans un noyau privilégié — c'est une décision architecturale clé.
L'implication pratique: tout composant peut être sélectionné, remplacé ou étendu directement dans la configuration sans toucher le code source de DeepSeek Harness. En effet, il s'agit d'un constructeur pour les runtimes d'agents adaptés à une tâche précise, et non d'un assistant de codage fixe.
Quatre modes d'exécution
Le projet propose quatre modes prédéfinis:
- Norme — un agent de codage complet : édition de fichiers, shell, recherche de fichiers et de sites Web, compétences, planification, objectifs, sous-agents et flux de travail.
- Code — les mêmes outils, mais accessibles via le SDK Code Mode: le modèle assemble les opérations en plusieurs étapes en un seul programme TypeScript.
- Minimale — un environnement "bare" avec seulement deux outils (bash et str replace editor), conçus pour l'étalonnage des modèles.
- Créateur — un mode pour l'inspection d'exécution, l'expérimentation de plugins en mémoire et des conseils pour créer des presets.
Cet ensemble de modes vous permet d'utiliser le même temps d'exécution pour les agents de production, l'évaluation de modèles et le débogage de vos propres plugins — sans passer à des cadres séparés.
Traçabilité complète des parcours
Chaque course dans DeepSeek Harness est entièrement traçable. Le journal de session de l'annexe seulement enregistre tout ce que le modèle voit : les appels système, le raisonnement, les appels d'outils et leurs résultats, la planification sous-agente et chaque injection de contexte. Ce dernier est une promesse particulièrement plus forte que l'enregistrement d'appels d'outils ordinaires.
Construit sur le haut de ce flux d'événements sont une vue de trajectoire pour la navigation des enregistrements par source, ainsi que le curriculum vitae, la fourche, la recherche et le replay. Toute session peut être retournée, fourchée, trouvée par le contenu, et rejouée, ce qui est critique pour le débogage et pour les actions des agents d'audit.
Modèles et fournisseurs
Le routage du modèle est également un plugin, et c'est une suite logique de l'architecture globale. Dans Paramètres → Modèles, une clé API DeepSeek prend effet à partir de la demande suivante, sans redémarrer le serveur. Le catalogue de fournisseurs intégré ajoute Anthropic et OpenAI via la clé API.
Pour les services cloud d'entreprise, des identifiants natifs sont requis : pour les identifiants Bedrock — AWS et une région, pour Vertex — un projet avec ADC, pour Azure — api-version, pour Codex — OAuth. En outre, les fournisseurs personnalisés sont pris en charge: il suffit de spécifier n'importe quelle URL de base compatible OpenAI et protocole.
Les clés sont stockées avec un drapeau d'écriture seulement dans le $DSH_HOME/.credentials.yaml fichier; les paramètres ne conservent qu'une référence aux identifiants, pas les secrets eux-mêmes. Ceci est pratique tant du point de vue de la sécurité que lorsque vous travaillez en équipe.
Comment exécuter et connecter le SDK
UI Web
La façon la plus simple d'essayer l'exécution est la commande npx @deepseek-ai/dsh web, qui commence l'interface utilisateur Web à http://127.0.0.1:3080. Si vous préférez construire à partir de la source: git cloneAlors pnpm install, pnpm run buildet pnpm dsh web.
Python SDK
Pour l'intégration des programmes, le paquet «deepseek-harness-sdk» est fourni. Il nécessite Python 3.10 ou plus récent, et les plateformes prises en charge incluent Linux x64, Linux arm64 et macOS 14+ sur arm64. Un beau détail : l'exécution intégrée ne nécessite pas de Node.js système, donc vous n'aurez pas besoin de configurer un environnement supplémentaire pour exécuter des agents.
Qui cela pourrait être utile pour
Le public cible du projet est constitué de startups et d'équipes de plate-forme et d'expériences de développeurs dans les grandes et moyennes entreprises. Les entreprises réglementées peuvent piloter DeepSeek Harness localement : il est distribué sous le MIT et est auto-organisé, ce qui signifie que les données sensibles ne quittent jamais le périmètre.
Les industries où un tel délai semble approprié comprennent : le développement de logiciels et de devtools, les services financiers et l'assurance avec leur besoin de gestion d'agents auditables, les soins de santé et la R-D pharmaceutique, les fournisseurs de cloud et de semi-conducteurs, et les laboratoires de recherche universitaires et industriels.
Les cas d'utilisation typiques comprennent les agents de codage internes pour les dépôts privés, l'évaluation des modèles dans un environnement contrôlé, l'observabilité des agents avec replay d'exécution, les politiques de bac à sable et d'approbation personnalisées, et l'emballage des outils internes en plugins réutilisables. Tout cela correspond à l'idée générale : plutôt que de prendre un assistant prêt à l'emploi, construisez un temps d'exécution adapté à vos besoins.
