DeepSeek Harness v0.1: Kinas åbne-kilde-pivot fra LLM'er til autonome AI-agenter

Et strategisk skift fra LLM'er til agentisk AI

DeepSeek opbyggede sit ry på at træne frontløber-LLM'er til en brøkdel af prisen for amerikanske konkurrenter som OpenAI og Anthropic. Med Harness bevæger selskabet sig ind i "execution layer" – infrastrukturen, der omdanner rå modelintelligens til et implementerbart, indtægtsgenererende produkt . South China Morning Post kaldte frigivelsen "et strategisk skifte, da DeepSeek bevæger sig ind på en ny slagmark ud over store sprogmodeller" .

Selskabet har bakket dette skifte op med ~$7 milliarder i ekstern finansiering – dets første store eksterne kapital – og lanceret en aggressiv ansættelsesoffensiv på tværs af Harness-afdelingen . I juni 2026 sigtede DeepSeek angiveligt efter at fordoble alle afdelinger, efterhånden som den nye forretningslinje blev udbygget .

"Alt er et plugin": Modulær arkitektur

Harness's definerende designprincip er "Alt er et plugin" . Det er bygget på Cordis-meta-rammeværket, som håndterer indlæsning, aflæsning og afhængighedsstyring af plugins . Alle komponenter – modeller, værktøjer, færdigheder, sessioner, sandkasser, filsystemer, orkestreringsløkker og endda brugergrænsefladen – er implementeret som uafhængige Cordis-plugins .

Det betyder, at udviklere kan blande, matche, erstatte og udvide enhver funktion uden at ændre i kernekildekoden . Der er "ingen privilegeret kerne at patche" ; at udvide systemet gøres ved at montere nye plugins ved siden af eksisterende. Arkitekturen er designet til at lade udviklere sammensætte en tilpasset agentkøretid ved kun at vælge de plugins, de har brug for til en given opgave .

Fire køretidsforudindstillinger

Harness leveres med fire indbyggede agentforudindstillinger, hver en forskellig sammensætning af det samme pluginsystem :

Hver tilstand indlæser et andet standard pluginsæt; at skifte tilstand ændrer, hvilke værktøjer en agent har, og hvordan den udfører .

Den append-only sessionslog-design sikrer, at hver systemprompt, tankekæde, værktøjskald og resultat, underagentudsendelse og kontekstindsprøjtning er fuldt registreret, hvilket muliggør nøjagtig genafspilning og fejlfinding af enhver agentbane .

Jane Street-talentansættelsen: Cui Tianyi

I maj 2026 rekrutterede DeepSeek Cui Tianyi (Tianyi Cui), en tidligere kvantitativ forsker og stjerneningeniør fra Jane Street, til at lede sit nye Harness-team . Cuis LinkedIn-profil viser ham som "Member of Technical Staff, Harness Team" hos DeepSeek AI siden marts 2026, hvor han bygger Agent Harness fra Beijing . Han havde tidligere medstiftet det Hongkong-baserede kvantitative handelsfirma TSY Capital efter næsten ni år hos Jane Street i softwareudvikling og kvantitative forskningsroller .

Seniorforsker Deli Chen afslørede i maj 2026, at teamet bygger "CodeHarness" fra bunden, med et selvstændigt "DeepSeek Code"-produkt angiveligt på vej . Cui har personligt afholdt daglige kandidatsamtaler og slået rekrutteringsannoncer op på adskillige platforme og beskrevet Harness-teamet som "direkte påtaget sig en af virksomhedens mest centrale og vigtigste opgaver" .

Konkurrencepositionering over for Anthropic's Claude Code

DeepSeek Harness positioneres direkte som et alternativ til Anthropic's Claude Code – det populære kodeagentværktøj fra det amerikanske AI-selskab . DeepSeek registrerede en dedikeret "DeepSeek Harness (Tool Framework)" WeChat-konto som en separat officiel kanal for Harness-forretningslinjen .

DeepSeek har dog offentligt udtalt, at Harness ikke er ment til at være "den næste Codex" . I stedet er det en rekomponerbar, genafspillelig agentkøretid, hvor alle funktioner kan udskiftes – en mere modulær og åben tilgang sammenlignet med mere monolitiske konkurrenter . Open source MIT-licensstrategien kontrasterer med de proprietære modeller hos Anthropic og OpenAI og kan potentielt tiltrække et større udviklerøkosystem .

Projektet tiltrak over 33.000 GitHub-stjerner inden for få timer efter sin offentlige forhåndsvisning , hvilket afspejler stor udviklerinteresse for den plugin-første, open source-tilgang.

Sådan kommer du i gang

Det er ligetil at komme i gang: Kør

npx @deepseek-ai/dsh web