ОПИСАНИЕ:

DeepSeek активно развивает DeepSeek Harness — открытый agent harness для локальных AI-агентов.

Это не новая LLM, а инфраструктурный слой между моделью и компьютером.

Именно harness даёт модели возможность не просто отвечать текстом, а реально выполнять работу:

• запускать shell-команды
• читать файлы
• редактировать код
• искать по проекту
• делать web search
• работать с file search
• использовать skills
• запускать subagents
• строить workflows
• управлять длинными многошаговыми задачами

Главная идея DeepSeek Harness — “Everything is a Plugin”.

Практически каждый важный компонент можно заменять или расширять через plugin-архитектуру:

• model provider
• tools
• shell
• filesystem
• sessions
• agent loop
• context management
• workflows
• subagents
• Web UI

Это делает Harness не просто очередным coding assistant, а модульной средой для сборки собственных AI-агентов.

Локальный запуск очень простой.

После установки Node.js:

npx @deepseek-ai/dsh web

После запуска Web UI по умолчанию открывается локально:

http://127.0.0.1:3080

DeepSeek Harness сейчас находится в developer preview.

Разработчики прямо предупреждают, что проект быстро развивается и между версиями возможны compatibility-breaking changes.

Особенно интересен Harness для coding-задач.

AI-агент может получить реальный репозиторий и выполнять полноценный цикл:

прочитать задачу → найти нужные файлы → исследовать код → изменить проект → запустить команды → проверить тесты → исправить ошибки → продолжить работу.

Для таких сцен терминал в ролике действительно нужен.

Лучший визуальный стиль — реалистичный Linux workstation:

• настоящий разработчик за компьютером
• большой терминал на центральном мониторе
• repository tree и IDE рядом
• команды запускаются последовательно
• тесты проходят и падают
• агент исправляет код
• на другом экране виден workflow нескольких subagents

Без sci-fi интерфейсов и голограмм.

Именно обычный реальный ПК, терминал, IDE, git diff, тесты и рабочий процесс.

Отдельно интересны workflows.

DeepSeek Harness позволяет агенту запускать orchestration scripts, которые создают несколько subagents и распределяют между ними работу.

То есть один главный агент может разбить большую coding-задачу на части:

• один subagent изучает архитектуру
• второй ищет проблему
• третий пишет patch
• четвёртый проверяет тесты

А workflow затем собирает результаты обратно.

Есть и специальные iterative agent loops, где свежие агенты могут последовательно продолжать задачу.

Для локальной машины это особенно интересно, потому что harness отделён от самой модели.

То есть архитектурно можно менять model provider и строить агентный слой вокруг нужной модели вместо привязки ко одному закрытому облачному сервису.

Главный тренд здесь важнее самого DeepSeek:

конкуренция AI всё больше идёт уже не только между моделями.

Теперь конкурируют целые agent runtimes — кто лучше даст модели терминал, память, инструменты, subagents, workflows и возможность часами работать над реальным проектом.