DeepSeek Harness v0.1.0-rc.8: 14 Änderungen machen Bilder zur Agent-Eingabe

DeepSeek Harness v0.1.0-rc.8 ist vor allem ein Upgrade für Orchestrierung und Eingaben – kein Beleg dafür, dass jedes DeepSeek-Modell nun Bilder sehen kann. Das Release erschien am 19. August 2026, sechs Tage nach dem Start der öffentlichen Beta und der Open-Source-Version. Ein Teil der Berichterstattung datierte Ankündigung oder Diskussion auf den 20. beziehungsweise 21. August. 916

Die insgesamt 14 Änderungen machen Bilder in Agent-Workflows nutzbar und verbessern zugleich Subagenten, Terminalverhalten, Tool-Ausführung, Speicherung und Kompatibilität. 4

Die wichtigste Neuerung: Bilder gelangen in die Agent-Schleife

RC.8 ergänzt den DeepSeek-Modelladapter um einen konfigurierbaren Pfad für native Bildanfragen. Unterstützt das ausgewählte Modell oder Backend Bildeingaben, kann Harness das Bild direkt an dieses Modell weiterreichen, statt den Anhang vom eigentlichen Auftrag zu trennen. 28

Die Bildunterstützung erreicht auch zentrale Planungsbefehle:

• /goal akzeptiert kombinierte Text- und Bildeingaben.
• /plan akzeptiert kombinierte Text- und Bildeingaben.
• Über das @-Menü lassen sich lokale Dateien und frühere Sitzungen in den weiteren Arbeitsverlauf einbeziehen. 21215

Für Coding-Agenten ist das praktisch: Ein Screenshot, ein Interface-Entwurf, ein Diagramm oder eine Fehlermeldung aus der Benutzeroberfläche kann direkt Teil von Ziel und Planung werden. Nutzer müssen den visuellen Kontext also nicht zwingend erst umständlich beschreiben.

Der entscheidende Vorbehalt: RC.8 schafft den Transport- und Orchestrierungspfad für Bilder. Ein reines Textmodell erhält dadurch nicht automatisch eigenständige visuelle Fähigkeiten. Die native Bildinterpretation hängt vom konfigurierten Modell oder einem kompatiblen Backend ab. 89

Was die 14 Änderungen abdecken

Claude Code und Codex werden installierbare Subagenten

Claude Code und Codex lassen sich innerhalb des Subagentensystems als Profile-Bundles bei Bedarf installieren. Codex erhält zusätzlich einen nicht-interaktiven Berechtigungsmodus und Unterstützung für mehrere benannte Instanzen. Dadurch können in einem Workflow mehrere separat konfigurierte Codex-Subagenten laufen. 24

Windows-Terminals behalten ihren Shell-Zustand

Windows-PTY-Terminals unterstützen nun persistente PowerShell-Sitzungen. Im Minimal-Preset ist diese Funktion standardmäßig aktiviert. Aufeinanderfolgende Befehle müssen den Shell-Zustand dadurch nicht jedes Mal neu aufbauen. 2

Tool-Ausführung wird leistungsfähiger

Das Release verbessert unter anderem Tool-Aufrufe mit parallelen web_search-Anfragen, weckt die übergeordnete Aufgabe nach dem Bericht eines Subagenten wieder auf und öffnet für dsh web automatisch einen lokalen Browser. Auch die Leistung bei großen Sitzungs-Forks und bei der SQLite-Speicherung wurde verbessert. 24

Probleme mit Bildern, Streaming und Gateways werden behoben

RC.8 korrigiert Anfragefehler, die durch ein einzelnes übergroßes Bild oder durch zu viele Bilder im Verlauf einer längeren Unterhaltung entstehen konnten. Außerdem bleiben Antwortpräfixe erhalten, wenn eine Streaming-Antwort abgebrochen und die Unterhaltung anschließend fortgesetzt oder verzweigt wird.

Verbessert wurde auch die Zusammenarbeit mit benutzerdefinierten OpenAI-kompatiblen Gateways – unter anderem bei unterschiedlichen Anfrageformaten und fehlenden Rückgaben von Inferenzinhalten. 24

Damit ist RC.8 mehr als eine einfache Upload-Funktion. Bilder können nun in Planung, Sitzungsverlauf und delegierte Aufgaben einfließen, während die Laufzeitumgebung bei langen oder tool-intensiven Sitzungen robuster wird. 213

So funktioniert die „Tool-Layer-Vision“ für Textmodelle

Unterstützt das ausgewählte Modell keine Bildeingaben, kann Harness ein Bild mithilfe von Tools in strukturierte Textbelege umwandeln. Die beschriebene Verarbeitung umfasst OCR-Text samt Koordinaten, Statistiken zu Farbanteilen, ausgewählte Scans von Pixelzeilen sowie Bildgröße und Farbmodus. Diese Informationen werden anschließend dem Textmodell für die weitere Schlussfolgerung übergeben. 12

Das Modell erhält dabei nicht dieselbe originale visuelle Darstellung wie ein natives Vision-Modell. Es arbeitet mit Messwerten und extrahierten Beschreibungen – eine nützliche, aber verlustbehaftete Annäherung.

Wo der Fallback besonders gut funktioniert

Die Tool-Layer-Vision eignet sich am besten für Bilder mit klar erkennbaren Strukturen, darunter:

• Screenshots von Anwendungen und Benutzeroberflächen
• Folien und Präsentations-Screenshots
• Flussdiagramme, Diagramme und einfache Grafiken
• Textlastige Bilder mit übersichtlichem Layout und hohem Kontrast 2

Bei solchen Aufgaben kommt es häufig auf lesbaren Text, Ausrichtung, Grenzen, Farben oder andere Signale an, die sich mit OCR und gezielter Pixelanalyse erfassen lassen.

Wo native Vision weiterhin nötig ist

Deutlich schwächer ist der Ansatz bei Natur- und Alltagsfotos, bei der Erkennung feiner Objektunterschiede, visueller Gestaltung, subtiler Zusammenhänge sowie komplexer räumlicher oder szenischer Beziehungen. OCR und stichprobenartige Pixelstatistiken können die dafür benötigten Details nicht zuverlässig rekonstruieren. 12

Die praktische Faustregel lautet daher: Für echtes Bildverständnis sollte ein natives Vision-Modell zum Einsatz kommen. Die Tool-Layer-Vision eignet sich als Fallback für Textmodelle oder für klar abgegrenzte Aufgaben – etwa zum Extrahieren von Text, Prüfen dominanter Farben, Auffinden einfacher Grenzen oder Validieren pixelgenauer Unterschiede in Benutzeroberflächen. Ihre Ergebnisse sollten nicht mit nativem visuellem Schlussfolgern gleichgesetzt werden. 23

Community-Plugins erweitern Bild-Workflows

Schon vor RC.8 hatte die Community verschiedene Wege entwickelt, um Textmodellen in Harness visuelle Belege bereitzustellen. Genannt werden unter anderem dsh-vision, dsh-vision-toolkit und modlens; Plugin-Verzeichnisse führen außerdem lokale OCR- und Pseudo-Vision-Brücken. 1023

Zwei Beispiele zeigen die unterschiedlichen Ansätze:

• ModLens liefert Textmodellen strukturierte Informationen zu OCR, Layout, Entitäten und Beziehungen. 18
• dsh-vision-toolkit konzentriert sich auf lange Screenshot-OCR, visuelles Grounding, die Rekonstruktion von Benutzeroberflächen und Pixelvergleiche. 1821

Solche Plugins ergänzen den nativen Bildpfad von RC.8, statt ihn zu ersetzen. Ein kompatibles Vision-Modell kann das Bild direkt erhalten. Ein Plugin kann spezialisierte OCR-, Layout- oder Pixelwerkzeuge beziehungsweise externe Modelle bereitstellen. Ein Textmodell wiederum kann über die daraus gewonnenen Belege argumentieren.

Diese Trennung gibt Entwicklern die Wahl zwischen umfassenderer nativer Wahrnehmung und gezielter, besser überprüfbarer Tool-Ausgabe.