DeepSeek Harness v0.1.0-rc.8: 14 novità per trasformare le immagini in input degli agenti

DeepSeek Harness v0.1.0-rc.8 è soprattutto un aggiornamento dell’orchestrazione e della gestione degli input, non la prova che ogni modello DeepSeek abbia acquisito capacità visive. La release è stata pubblicata il 19 agosto 2026, sei giorni dopo la beta pubblica e il lancio open source; alcuni articoli e discussioni hanno invece collocato l’annuncio tra il 20 e il 21 agosto. 916

Le sue 14 modifiche rendono le immagini utilizzabili in più punti del flusso di lavoro di un agente e, nello stesso tempo, intervengono su subagenti, terminale, esecuzione degli strumenti, archiviazione e compatibilità. 4

La novità principale: le immagini entrano nel ciclo dell’agente

RC.8 aggiunge all’adattatore per i modelli DeepSeek un percorso configurabile per le richieste native con immagini. Se il modello selezionato o il backend utilizzato supporta l’input visivo, Harness può inviargli direttamente l’immagine invece di tenere l’allegato separato dal compito. 28

Il supporto arriva anche ai comandi centrali di pianificazione:

• /goal accetta input misti di testo e immagini;
• /plan accetta input misti di testo e immagini;
• il menu @ può richiamare file locali e sessioni precedenti durante il lavoro. 21215

Per un agente dedicato al coding, la differenza è concreta: uno screenshot, un mock-up di interfaccia, un diagramma o la schermata di un errore possono entrare direttamente nell’obiettivo e nel piano, senza costringere l’utente a descrivere tutto a parole.

La distinzione importante, però, è questa: RC.8 aggiunge il canale di trasporto e la logica di orchestrazione delle immagini, ma non attribuisce automaticamente capacità visive a un modello addestrato solo sul testo. L’interpretazione nativa dipende dal modello configurato o da un backend compatibile. 89

Che cosa comprendono le 14 modifiche

Claude Code e Codex diventano subagenti installabili

Claude Code e Codex possono essere installati come bundle di profilo attivabili su richiesta all’interno del sistema dei subagenti. Codex riceve inoltre una modalità di autorizzazione non interattiva e il supporto a più istanze nominate: nello stesso workflow è quindi possibile eseguire subagenti Codex configurati in modo indipendente. 24

Su Windows il terminale conserva lo stato della shell

I terminali PTY di Windows ottengono sessioni PowerShell persistenti. La funzione è attiva per impostazione predefinita nel preset minimal, così i comandi successivi non devono ricreare ogni volta lo stato della shell. 2

Tool calling più rapido e affidabile

La release migliora l’esecuzione degli strumenti, anche con chiamate concorrenti a web_search, il risveglio dell’attività principale quando un subagente consegna un report e l’apertura automatica del browser locale per dsh web. Migliorano inoltre le prestazioni dei fork di sessioni molto grandi e dell’archiviazione SQLite. 24

Correzioni per immagini, streaming e gateway

RC.8 risolve i problemi nelle richieste causati da una singola immagine troppo pesante o da un numero eccessivo di immagini accumulate nella cronologia della conversazione. Mantiene anche i prefissi delle risposte quando uno streaming viene annullato e la conversazione viene poi ripresa o duplicata.

La compatibilità con i gateway personalizzati compatibili con OpenAI viene migliorata per gestire differenze nei formati delle richieste e risposte prive del contenuto di inferenza atteso. 24

Nel complesso, non si tratta quindi di una semplice funzione per “caricare immagini”: le immagini possono partecipare alla pianificazione, alla cronologia della sessione e al lavoro delegato, mentre il runtime diventa più solido nelle sessioni lunghe o ricche di strumenti. 213

Come funziona la “visione a livello di tool” per i modelli solo testo

Quando il modello selezionato non dichiara il supporto all’input visivo, Harness può usare una serie di strumenti per trasformare l’immagine in informazioni strutturate e testuali. Il flusso riportato comprende:

• testo OCR con coordinate;
• statistiche sulla proporzione dei colori;
• scansioni di righe o aree selezionate di pixel;
• dimensioni dell’immagine;
• metadati relativi alla modalità colore. 12

Questi dati vengono poi forniti al modello testuale, che ragiona sulle misurazioni e sulle descrizioni estratte. Non sta ricevendo lo stesso campo visivo originale che analizzerebbe un modello nativamente multimodale: è una forma di ricostruzione indiretta, utile ma inevitabilmente parziale.

Per quali immagini funziona meglio

Questo approccio è più efficace quando l’immagine contiene una struttura facilmente recuperabile, per esempio:

• schermate di applicazioni e interfacce utente;
• schermate di slide e presentazioni;
• diagrammi di flusso, grafici e immagini semplici;
• immagini ricche di testo, con layout chiaro e buon contrasto. 2

In questi casi il compito dipende spesso da testo leggibile, allineamenti, bordi, colori o altri segnali che OCR e analisi mirate dei pixel riescono a catturare.

Dove serve ancora la visione nativa

La soluzione è molto più debole con fotografie naturali, riconoscimento dettagliato degli oggetti, stile visivo, contesto sottile e relazioni spaziali o sceniche complesse. OCR e statistiche basate su campioni di pixel non possono ricostruire in modo affidabile ogni dettaglio necessario a questo tipo di analisi. 12

La regola pratica è semplice: per una vera comprensione dell’immagine conviene usare un modello con visione nativa; la visione a livello di tool è invece utile per estrarre prove mirate o come soluzione di ripiego quando il modello principale è solo testuale. Può aiutare a recuperare testo, controllare i colori dominanti, individuare bordi semplici o verificare differenze a livello di pixel in un’interfaccia, ma il risultato non va considerato equivalente al ragionamento visivo nativo. 23

I plugin della community per estendere i workflow con immagini

Prima dell’aggiornamento, la community aveva già sperimentato diversi modi per fornire evidenze visive agli agenti Harness basati su modelli testuali. Tra le opzioni segnalate figurano dsh-vision, dsh-vision-toolkit e modlens, oltre a plugin locali per OCR e ponti di pseudo-visione. 1023

Due esempi mostrano bene le diverse direzioni:

• ModLens restituisce evidenze strutturate su OCR, layout, entità e relazioni, pensate per essere utilizzate da modelli solo testo. 18
• dsh-vision-toolkit punta a casi d’uso come OCR di schermate molto lunghe, visual grounding, ricostruzione di interfacce e confronto tra pixel. 1821

Questi strumenti non sostituiscono il percorso nativo introdotto da RC.8: lo completano. Un modello compatibile con la visione può ricevere direttamente l’immagine; un plugin può offrire OCR, analisi del layout, strumenti sui pixel o l’accesso a un modello visivo esterno; un modello solo testo può infine ragionare sulle evidenze prodotte.

Questa separazione lascia agli sviluppatori una scelta chiara tra una percezione nativa più ricca e un’analisi a livello di strumenti più mirata e verificabile.