AnswersPublished18 sources
DeepSeek sází nejen na model, ale i na prostředí, ve kterém agent pracuje
DeepSeek 13. srpna 2026 představil V4 Pro a současně zveřejnil Harness v0.1 jako vývojářskou preview pod licencí MIT, nikoli jako hotový produkt pro koncové uživatele.
PublikovalUpraveno pomocí GPT-5.6 LunaObrázky vytvořeny pomocí GPT Image 1.5
Research answer
Key takeaways
- DeepSeek 13. srpna 2026 představil V4 Pro a současně zveřejnil Harness v0.1 jako vývojářskou preview pod licencí MIT, nikoli jako hotový produkt pro koncové uživatele.
- Harness staví runtime agenta modulárně: modely, nástroje, relace, úložiště, sandboxy, plánování, smyčka agenta i uživatelské rozhraní fungují jako vyměnitelné pluginy.
- V testu Composia zvládl stejný model DeepSeek V4 Flash podle použitého harnessu 14 až 20 z 30 úloh; celkem uspěl ve 129 ze 240 běhů.
- Záznamy relací a nástroje Trajectory mohou usnadnit ladění, opakovatelné testování a vývoj nových pluginů.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: What were DeepSeek’s August 13, 2026 announcements of the official DeepSeek V4 Pro and the MIT-licensed developer preview of DeepSeek Harnes. Article summary: On August 13, DeepSeek paired the official release of DeepSeek V4 Pro—its agent-work-oriented flagship—with Harness v0.1, an MIT-licensed, source-available developer preview for people building agent runtimes rather than. Topic tags: general, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fa
DeepSeek 13. srpna 2026 spojil dvě odlišné vrstvy svého AI ekosystému: oficiální DeepSeek V4 Pro, zaměřený na agentní úlohy, a DeepSeek Harness v0.1, vývojářskou preview pro tvorbu a úpravu runtime prostředí pro AI agenty. 32
20
Nejde tedy jen o další uvedení modelu. Agent pracuje uvnitř systému, který mu dodává kontext, nástroje, paměť, pravidla provádění, logiku obnovy po chybách i vyhodnocování. Testy společnosti Composio naznačují, že právě toto okolí může výrazně ovlivnit úspěšnost i cenu práce — i když samotný model zůstane stejný. 3
Dvě oznámení z 13. srpna
DeepSeek vydal oficiální verzi V4 Pro současně s Harness v0.1. Harness se distribuuje jako nástroj dsh a je určen především vývojářům, kteří stavějí vlastní agentní runtime. DeepSeek jej nepředstavuje jako vyzrálou náhradu produktů typu Claude Code nebo Codex. 32
20
Významná je také licence. Vývojářská preview byla zveřejněna pod permisivní licencí MIT, takže lze runtime prohlížet, upravovat a rozšiřovat. Dokumentace popisuje architekturu nezávislou na konkrétním modelu: vývojáři mohou pracovat s různými poskytovateli a nemusí se uzamknout u jediného modelu. 22
28
Proč jsou výsledky Composia důležité
Composio nasadilo stejný model DeepSeek V4 Flash do osmi agentních harnessů a nechalo je řešit 30 vícekrokových úloh. Ze 240 běhů jich bylo úspěšných 129, což odpovídá celkové úspěšnosti 53,8 %. Pouze šest z 30 pracovních postupů dokončily všechny testované harnessy. 3
Rozdíly mezi jednotlivými prostředími byly výrazné:
- Pi Agent dokončil 20 z 30 úloh.
- Oh My Pi zvládl 17 z 30.
- Claude Code, Codex a DeepAgents dokončily po 16 úlohách.
- Hermes Agent uspěl v 15 případech.
- OpenCode dokončil 14 úloh.
Lišila se také uváděná ekonomika provozu. Composio odhadlo cenu za úspěšně dokončenou úlohu přibližně na 0,195 USD u Claude Code, 0,081 USD u Codexu a 0,045 USD u DeepAgents. U Pi Agentu uvádělo 0,028 USD. Srovnání je ale nutné číst v kontextu metodiky testu a odlišného chování jednotlivých runtimes. 3
Nejde o univerzální žebříček agentních produktů. Výsledky podporují užší, ale důležitý závěr: samotné benchmarky modelů nedokážou popsat celý výkon AI agenta. Praktickou jednotkou srovnání se stále více stává kombinace modelu a harnessu.
Harness odděluje model od pracovního prostředí
Harness je postavený na Cordisu, frameworku, v němž jsou schopnosti runtime vystavené jako pluginy. Dokumentace architektury DeepSeeku uvádí, že adaptér modelu, registr nástrojů, protokol relace i smyčka agenta jsou vyměnitelné komponenty. 17
Mezi další hranice pluginů patří:
- adaptéry modelů a poskytovatelů;
- nástroje a dovednosti;
- relace a ukládání dat;
- sandboxy a prostředí pro vykonávání úloh;
- plánování a koordinace podagentů;
- samotná smyčka agenta;
- uživatelské rozhraní.
Takové rozdělení odděluje jazykový model od mechanismů, které z jedné odpovědi dělají dlouhodobě pracujícího agenta. Vývojář může měnit způsob sestavování kontextu, volání nástrojů, ukládání stavu, opakování neúspěšných kroků nebo prezentace výsledků, aniž by musel přepisovat celý runtime. 17
20
Tvrzení „všechno je plugin“ proto není jen technický detail balení. Staví vrstvu harnessu — tedy prostředí mezi modelem a pracovním světem — do centra experimentování.
Stopovatelné relace jsou základem dalšího vývoje
DeepSeek uvádí, že Harness zaznamenává v neměnném, pouze přidávacím protokolu vše, co model vidí a dělá. Patří sem systémové prompty, uvažování, volání nástrojů a jejich výsledky, plánování podagentů i vkládání nového kontextu. V zobrazení Trajectory lze tento proud událostí procházet; nad stejným záznamem funguje obnovení, rozvětvení, vyhledávání i přehrání. 22
Pro vývojáře z toho plynou především čtyři výhody:
- Lepší ladění: selhání lze analyzovat jako sled změn kontextu a akcí, nikoli jen podle konečné odpovědi.
- Opakovatelnost: pracovní postup lze po změně promptu, nástroje nebo pluginu znovu spustit a porovnat.
- Bezpečné experimentování: trajektorii lze rozvětvit a vyzkoušet jinou strategii, aniž by původní běh zmizel.
- Materiál pro evaluaci: úspěšné i neúspěšné trajektorie mohou posloužit při testování nových nástrojů, pravidel nebo smyček agenta.
To umožňuje průběžný vývojový cyklus: spustit úlohu, prohlédnout trajektorii, najít příčinu selhání, upravit plugin, workflow znovu spustit a výsledek uchovat. Runtime, který záznamy ukládá a přehrává, však ještě není automaticky systémem, který se sám učí. Dostupné podklady podporují Harness jako auditovatelný základ iterativního vývoje, nikoli jako důkaz spolehlivého autonomního zlepšování. 22
Paměť a sebezdokonalování vyžadují opatrnost
V širším ekosystému Harnessu už existují projekty třetích stran, které nabízejí dlouhodobou paměť napříč relacemi nebo průběžné sebezdokonalování na pozadí. 18
19
Tyto projekty ukazují, že pluginová architektura dokáže pojmout trvalou paměť, historii projektu, vlastní kontrolu i správu dovedností. Nedokazují ale, že základní vydání v0.1 samo o sobě bezpečně a obecně zvládá kontinuální sebezdokonalování. Je důležité rozlišovat mezi volitelnými pluginy, experimentálními integracemi a funkcemi jádra.
Před nasazením do produkce by týmy musely prověřit například uchovávání dat, oprávnění, izolaci sandboxu, práci s přístupovými údaji, možnost návratu ke starší verzi i riziko, že automatizovaný systém začne měnit vlastní nástroje nebo postupy.
Strategická sázka: ovládnout vstupní bod pro vývojáře
DeepSeek může soutěžit na úrovni modelů prostřednictvím V4 Pro a V4 Flash. Harness mu současně dává možnost soupeřit ve vrstvě, kde se rozhoduje, jak budou vývojáři modely skutečně používat.
Tato vrstva určuje:
- který model se vybere;
- jak se sestaví a zkrátí kontext;
- ke kterým nástrojům a oprávněním agent získá přístup;
- jak se obnoví dlouhotrvající práce;
- jak se odhalí a napraví chyby;
- jak se vyhodnotí trajektorie;
- které pluginy se stanou součástí pracovního postupu.
Otevřený runtime může přimět externí vývojáře, aby kolem architektury DeepSeeku vytvářeli adaptéry, nástroje, paměťové moduly a vlastní workflow. Zároveň může DeepSeek zůstat vlivný v místě, kde se nastavuje způsob práce agentů, i když Harness podporuje více poskytovatelů modelů. Potenciálně jde o trvalejší pozici než pouhé soupeření o parametry modelu nebo cenu API.
Tento přístup vytváří také cestu k vývoji AI pomocí AI. Agent může pomáhat napsat plugin, procházet neúspěšné trajektorie, navrhovat úpravy, spouštět evaluace a uchovávat původ jednotlivých experimentů. Přesnější je chápat to jako infrastrukturu pro vývojářskou zpětnou vazbu, nikoli jako hotového sebezdokonalujícího se agenta.
Proč záleží na označení v0.1
Status vývojářské preview je pro pochopení vydání zásadní. DeepSeek tím zve k experimentování a společnému vývoji, zároveň ale signalizuje, že API, integrace, bezpečnostní kontroly i provozní chování se mohou stále měnit. 20
Vývojáři by proto měli Harness posuzovat jako otevřený framework a výzkumnou platformu. Neměli by předpokládat, že už nabízí spolehlivost, uhlazenost a ochranné mechanismy vyzrálého produktu pro programovací agenty.
Závěr
DeepSeek svými srpnovými oznámeními propojil uvedení modelu s širší strategií infrastruktury. V4 Pro představuje vlajkový model, zatímco Harness zpřístupňuje runtime, který určuje, jak model pracuje s nástroji, kontextem, pamětí a dlouhodobými úlohami. 32
20
Výsledky Composia vysvětlují, proč je tento rozdíl důležitý: stejný model DeepSeek V4 Flash dokončil podle použitého harnessu 14 až 20 testovaných úloh a výrazně se měnily také uváděné náklady. 3 Pluginová architektura Harnessu a dohledatelné trajektorie dávají DeepSeeku věrohodný základ pro experimentování, evaluaci a vývoj s pomocí AI. Samy však nedokazují spolehlivé průběžné učení. Mohou ale přispět k tomu, že právě vrstva harnessu se v další fázi vývoje agentů stane hlavním bojištěm.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "DeepSeek sází nejen na model, ale i na prostředí, ve kterém agent pracuje"?
DeepSeek 13. srpna 2026 představil V4 Pro a současně zveřejnil Harness v0.1 jako vývojářskou preview pod licencí MIT, nikoli jako hotový produkt pro koncové uživatele.
What are the key points to validate first?
DeepSeek 13. srpna 2026 představil V4 Pro a současně zveřejnil Harness v0.1 jako vývojářskou preview pod licencí MIT, nikoli jako hotový produkt pro koncové uživatele. Harness staví runtime agenta modulárně: modely, nástroje, relace, úložiště, sandboxy, plánování, smyčka agenta i uživatelské rozhraní fungují jako vyměnitelné pluginy.
What should I do next in practice?
V testu Composia zvládl stejný model DeepSeek V4 Flash podle použitého harnessu 14 až 20 z 30 úloh; celkem uspěl ve 129 ze 240 běhů.