DeepSeek Harness v0.1 : la Chine change de braquet et passe des LLM aux agents autonomes

Un virage stratégique des LLM vers l'IA agentielle

DeepSeek s'est fait connaître en entraînant des LLM de pointe pour une fraction du coût de ses concurrents américains comme OpenAI ou Anthropic. Avec Harness, l'entreprise s'attaque à la « couche d'exécution » – l'infrastructure qui transforme l'intelligence brute du modèle en un produit déployable et générateur de revenus . Le South China Morning Post parle d'« un virage stratégique alors que DeepSeek s'aventure sur un nouveau champ de bataille au-delà des grands modèles de langage » .

DeepSeek a accompagné ce virage d'une levée de fonds externe d'environ 7 milliards de dollars – son premier financement extérieur conséquent – et d'une campagne de recrutement massive dans sa division Harness . Dès juin 2026, l'objectif annoncé était de doubler les effectifs de tous les départements pour bâtir cette nouvelle ligne de métier .

« Tout est un plugin » : une architecture modulaire

Le principe fondateur de Harness est « Tout est un plugin » . Il s'appuie sur le méta-framework Cordis, qui gère le chargement, le déchargement et les dépendances des plugins . Tous les composants – modèles, outils, compétences, sessions, environnements sécurisés, systèmes de fichiers, boucles d'orchestration et même l'interface utilisateur – sont implémentés comme des plugins Cordis indépendants .

Cela signifie que les développeurs peuvent mélanger, associer, remplacer et étendre chaque fonctionnalité sans toucher au code source principal . Il n'y a « aucun noyau privilégié à corriger » ; pour étendre le système, il suffit d'ajouter de nouveaux plugins à côté de ceux qui existent déjà. L'architecture est conçue pour permettre aux développeurs de composer un runtime d'agent sur mesure en ne sélectionnant que les plugins nécessaires à une tâche donnée .

Quatre modes d'exécution prédéfinis

Harness est livré avec quatre modes d'agent intégrés, chacun étant une composition différente du même système de plugins :

Chaque mode charge un ensemble de plugins par défaut différent ; changer de mode modifie les outils dont dispose un agent et la manière dont il exécute les tâches .

Le journal de session en ajout seul garantit que chaque invite système, chaîne de pensée, appel d'outil et résultat, dispatch de sous-agent et injection de contexte est intégralement enregistré, permettant une relecture et un débogage exacts de n'importe quelle trajectoire d'agent .

Le recrutement vedette : Cui Tianyi, de Jane Street

En mai 2026, DeepSeek a recruté Cui Tianyi (Tianyi Cui), ancien chercheur quantitatif et ingénieur vedette de Jane Street, pour diriger sa nouvelle équipe Harness . Son profil LinkedIn le mentionne comme « Membre du personnel technique, équipe Harness » chez DeepSeek AI depuis mars 2026, en charge de la construction de l'Agent Harness basé à Pékin . Auparavant, il avait cofondé la société de trading quantitatif TSY Capital à Hong Kong, après près de neuf ans chez Jane Street à des postes de développement logiciel et de recherche quantitative .

Le chercheur principal Deli Chen a révélé en mai 2026 que l'équipe construit « CodeHarness » à partir de zéro, avec un produit autonome « DeepSeek Code » en préparation . Cui mène lui-même des entretiens quotidiens avec les candidats et publie des offres d'emploi sur plusieurs plateformes, décrivant l'équipe Harness comme « directement responsable de l'une des missions les plus centrales et les plus importantes de l'entreprise » .

Positionnement concurrentiel face à Claude Code d'Anthropic

DeepSeek Harness se positionne ouvertement comme une alternative directe à Claude Code d'Anthropic – l'outil d'agent de codage populaire de la société américaine . DeepSeek a enregistré un compte WeChat dédié « DeepSeek Harness (Tool Framework) » comme canal officiel distinct pour cette ligne de produits .

Cependant, DeepSeek a déclaré publiquement que Harness n'a pas vocation à être « le prochain Codex » . Il s'agit plutôt d'un runtime d'agent recomposable et rejouable où chaque fonctionnalité est interchangeable – une approche plus modulaire et ouverte que celle de concurrents plus monolithiques . La stratégie de licence open-source MIT contraste avec les modèles propriétaires d'Anthropic et d'OpenAI, ce qui pourrait attirer un écosystème de développeurs plus large .

Le projet a récolté plus de 33 000 étoiles sur GitHub en quelques heures après son aperçu public , témoignant du vif intérêt des développeurs pour cette approche ouverte et centrée sur les plugins.

Comment commencer

Pour démarrer, il suffit d'exécuter

npx @deepseek-ai/dsh web