DeepSeek Harness v0.1.0-rc.8は、画像をエージェントの作業フローに組み込むための入力・オーケストレーション（処理の振り分け）強化だ。協定世界時の2026年8月19日に公開され、一般向けのベータ版およびオープンソース公開から6日後のアップデートとなった。発表や報道が8月20〜21日付で紹介されているケースもある。916

今回の14項目は画像入力だけにとどまらず、サブエージェント、ターミナル、ツール実行、ストレージ、互換性まで広がっている。4

画像がエージェントのループに入る

RC.8では、DeepSeekモデルアダプターにネイティブ画像リクエストの設定項目が追加された。選択したモデルやバックエンドが画像入力に対応していれば、Harnessは添付ファイルを別扱いにせず、画像をそのままモデルへ渡せる。28

画像を扱えるようになった主なコマンドは次の通りだ。

• /goal：テキストと画像を組み合わせた目標入力
• /plan：テキストと画像を組み合わせた計画入力
• @メニュー：作業中にローカルファイルや過去のセッションを参照21215

たとえば、画面のスクリーンショット、UIのモックアップ、構成図、エラー画面を、ユーザーが文章で説明し直すことなく、そのまま目標や計画の材料にできる。コーディングエージェントにとっては、画像が単なるチャットの添付ファイルではなく、タスクの文脈やセッション履歴、委任した作業に参加できるようになった点が大きい。213

ただし、ここは誤解しやすい。RC.8が追加したのは画像を運ぶ経路と処理の仕組みであり、テキスト専用モデルそのものに視覚能力を与えたわけではない。画像を直接解釈できるかどうかは、設定したモデルまたは互換バックエンドに依存する。89

14項目の更新で何が変わったのか

Claude CodeとCodexをサブエージェントとして導入

Claude CodeとCodexを、必要なときにインストールできるプロファイルバンドルとして、サブエージェントシステムに組み込めるようになった。Codexには非対話型の権限モードと、複数の名前付きインスタンスに対応する機能も加わっている。これにより、1つのワークフロー内で設定の異なるCodexサブエージェントを個別に動かせる。24

Windowsのターミナルでシェル状態を維持

WindowsのPTYターミナルでは、PowerShellセッションを維持できるようになった。最小構成のプリセットではデフォルトで有効になっており、コマンドを実行するたびにシェル状態を作り直す必要がなくなる。2

ツール実行とセッション処理を改善

ツール呼び出しでは、web_searchの同時実行に対応した。また、サブエージェントがレポートを返した際に親タスクを再開させる処理や、dsh web実行時にローカルブラウザーを自動で開く動作も改善されている。大規模なセッションのフォークやSQLiteストレージの処理性能も向上した。24

画像・ストリーミング・ゲートウェイ関連の不具合を修正

1枚の画像が大きすぎる場合や、長い会話の中で画像が蓄積しすぎた場合に発生するリクエスト失敗を修正した。ストリーミング応答をキャンセルした後に会話を継続・フォークしても、返信のプレフィックスが失われにくくなっている。24

さらに、カスタムのOpenAI互換ゲートウェイについて、リクエスト形式の違いや推論内容が返されないケースへの互換性も改善された。24

つまりRC.8は、画像アップロード機能の追加というより、画像を計画、履歴、委任タスクへつなぐ一連の実行基盤を整えたリリースと見るのが適切だ。213

テキスト専用モデル向け「ツール層の視覚」とは

選択したモデルが画像入力に対応していない場合、Harnessはツールを使って画像を構造化されたテキスト情報へ変換し、その結果をテキストモデルに渡せる。報告されている処理には、座標付きのOCRテキスト、画像内の色の比率、特定のピクセル行の走査、画像の縦横サイズ、色モードのメタデータなどが含まれる。12

この仕組みは、モデルが元画像の視覚情報をネイティブな画像モデルと同じ形で受け取るものではない。モデルが推論するのは、計測値や抽出された説明からなる証拠だ。そのため、便利なフォールバックではあるものの、元の画像を完全に再現できるわけではない。

効果を発揮しやすい画像

ツール層の視覚は、画像内に読み取りやすい構造がある場合に向いている。たとえば次のような画像だ。

• アプリケーションやWeb UIのスクリーンショット
• スライドやプレゼンテーションの画面
• フローチャート、図解、単純なグラフィック
• レイアウトが明確でコントラストの高い、文字量の多い画像2

こうした作業では、OCRで読める文字、要素の配置、境界線、色、画面上の差分などが重要になる。これらはOCRやピクセルの部分的な検査で、ある程度取り出せるためだ。

ネイティブな視覚モデルが必要な場面

一方、自然写真、細かな物体認識、画風や微妙なニュアンス、複雑な空間関係や場面全体の理解では大きく弱くなる。OCRやサンプリングしたピクセル統計だけでは、そうした情報を安定して復元できない。12

実務上の使い分けは明快だ。画像そのものを理解するなら、ネイティブな視覚モデルを使う。選択したモデルがテキスト専用の場合や、文字抽出、主要色の確認、単純な境界の検出、UIのピクセル差分の検証といった限定的な処理には、ツール層の視覚を使う。23

後者の結果は有用な判断材料になり得るが、ネイティブな視覚推論と同等だと考えるべきではない。

画像ワークフローを広げるコミュニティ製プラグイン

RC.8の公式機能とは別に、コミュニティでは以前からテキスト専用のHarnessエージェントに視覚情報を与えるプラグインが開発されてきた。報告されている例には、dsh-vision、dsh-vision-toolkit、modlensなどがある。ローカルOCRや疑似視覚のブリッジを提供するプラグインも掲載されている。1023

代表例は次の通りだ。

• ModLens：OCR、レイアウト、エンティティ、関係性を含む構造化された証拠を、テキスト専用モデルに返す。18
• dsh-vision-toolkit：長いスクリーンショットのOCR、ビジュアルグラウンディング、UIの再構成、ピクセル比較などを対象にする。1821

これらはRC.8のネイティブ画像経路と競合するというより、補完関係にある。画像対応モデルなら画像を直接渡し、プラグインならOCR、レイアウト、ピクセル解析、外部モデル連携など目的に合った証拠を生成できる。テキスト専用モデルは、その証拠をもとに推論する。

この分離により、開発者は、より豊かなネイティブ視覚を選ぶか、処理内容を確認しやすい専門的なツール出力を選ぶかを、タスクごとに決められる。

DeepSeek Harness v0.1.0-rc.8は、画像をエージェントの作業フローに組み込むための入力・オーケストレーション（処理の振り分け）強化だ。協定世界時の2026年8月19日に公開され、一般向けのベータ版およびオープンソース公開から6日後のアップデートとなった。発表や報道が8月20〜21日付で紹介されているケースもある。916

今回の14項目は画像入力だけにとどまらず、サブエージェント、ターミナル、ツール実行、ストレージ、互換性まで広がっている。4

画像がエージェントのループに入る

RC.8では、DeepSeekモデルアダプターにネイティブ画像リクエストの設定項目が追加された。選択したモデルやバックエンドが画像入力に対応していれば、Harnessは添付ファイルを別扱いにせず、画像をそのままモデルへ渡せる。28

画像を扱えるようになった主なコマンドは次の通りだ。

• /goal：テキストと画像を組み合わせた目標入力
• /plan：テキストと画像を組み合わせた計画入力
• @メニュー：作業中にローカルファイルや過去のセッションを参照21215

たとえば、画面のスクリーンショット、UIのモックアップ、構成図、エラー画面を、ユーザーが文章で説明し直すことなく、そのまま目標や計画の材料にできる。コーディングエージェントにとっては、画像が単なるチャットの添付ファイルではなく、タスクの文脈やセッション履歴、委任した作業に参加できるようになった点が大きい。213

ただし、ここは誤解しやすい。RC.8が追加したのは画像を運ぶ経路と処理の仕組みであり、テキスト専用モデルそのものに視覚能力を与えたわけではない。画像を直接解釈できるかどうかは、設定したモデルまたは互換バックエンドに依存する。89

14項目の更新で何が変わったのか

Claude CodeとCodexをサブエージェントとして導入

Claude CodeとCodexを、必要なときにインストールできるプロファイルバンドルとして、サブエージェントシステムに組み込めるようになった。Codexには非対話型の権限モードと、複数の名前付きインスタンスに対応する機能も加わっている。これにより、1つのワークフロー内で設定の異なるCodexサブエージェントを個別に動かせる。24

Windowsのターミナルでシェル状態を維持

WindowsのPTYターミナルでは、PowerShellセッションを維持できるようになった。最小構成のプリセットではデフォルトで有効になっており、コマンドを実行するたびにシェル状態を作り直す必要がなくなる。2

ツール実行とセッション処理を改善

ツール呼び出しでは、web_searchの同時実行に対応した。また、サブエージェントがレポートを返した際に親タスクを再開させる処理や、dsh web実行時にローカルブラウザーを自動で開く動作も改善されている。大規模なセッションのフォークやSQLiteストレージの処理性能も向上した。24

画像・ストリーミング・ゲートウェイ関連の不具合を修正

1枚の画像が大きすぎる場合や、長い会話の中で画像が蓄積しすぎた場合に発生するリクエスト失敗を修正した。ストリーミング応答をキャンセルした後に会話を継続・フォークしても、返信のプレフィックスが失われにくくなっている。24

さらに、カスタムのOpenAI互換ゲートウェイについて、リクエスト形式の違いや推論内容が返されないケースへの互換性も改善された。24

つまりRC.8は、画像アップロード機能の追加というより、画像を計画、履歴、委任タスクへつなぐ一連の実行基盤を整えたリリースと見るのが適切だ。213

テキスト専用モデル向け「ツール層の視覚」とは

選択したモデルが画像入力に対応していない場合、Harnessはツールを使って画像を構造化されたテキスト情報へ変換し、その結果をテキストモデルに渡せる。報告されている処理には、座標付きのOCRテキスト、画像内の色の比率、特定のピクセル行の走査、画像の縦横サイズ、色モードのメタデータなどが含まれる。12

この仕組みは、モデルが元画像の視覚情報をネイティブな画像モデルと同じ形で受け取るものではない。モデルが推論するのは、計測値や抽出された説明からなる証拠だ。そのため、便利なフォールバックではあるものの、元の画像を完全に再現できるわけではない。

効果を発揮しやすい画像

ツール層の視覚は、画像内に読み取りやすい構造がある場合に向いている。たとえば次のような画像だ。

• アプリケーションやWeb UIのスクリーンショット
• スライドやプレゼンテーションの画面
• フローチャート、図解、単純なグラフィック
• レイアウトが明確でコントラストの高い、文字量の多い画像2

こうした作業では、OCRで読める文字、要素の配置、境界線、色、画面上の差分などが重要になる。これらはOCRやピクセルの部分的な検査で、ある程度取り出せるためだ。

ネイティブな視覚モデルが必要な場面

一方、自然写真、細かな物体認識、画風や微妙なニュアンス、複雑な空間関係や場面全体の理解では大きく弱くなる。OCRやサンプリングしたピクセル統計だけでは、そうした情報を安定して復元できない。12

実務上の使い分けは明快だ。画像そのものを理解するなら、ネイティブな視覚モデルを使う。選択したモデルがテキスト専用の場合や、文字抽出、主要色の確認、単純な境界の検出、UIのピクセル差分の検証といった限定的な処理には、ツール層の視覚を使う。23

後者の結果は有用な判断材料になり得るが、ネイティブな視覚推論と同等だと考えるべきではない。

画像ワークフローを広げるコミュニティ製プラグイン

RC.8の公式機能とは別に、コミュニティでは以前からテキスト専用のHarnessエージェントに視覚情報を与えるプラグインが開発されてきた。報告されている例には、dsh-vision、dsh-vision-toolkit、modlensなどがある。ローカルOCRや疑似視覚のブリッジを提供するプラグインも掲載されている。1023

代表例は次の通りだ。

• ModLens：OCR、レイアウト、エンティティ、関係性を含む構造化された証拠を、テキスト専用モデルに返す。18
• dsh-vision-toolkit：長いスクリーンショットのOCR、ビジュアルグラウンディング、UIの再構成、ピクセル比較などを対象にする。1821

これらはRC.8のネイティブ画像経路と競合するというより、補完関係にある。画像対応モデルなら画像を直接渡し、プラグインならOCR、レイアウト、ピクセル解析、外部モデル連携など目的に合った証拠を生成できる。テキスト専用モデルは、その証拠をもとに推論する。

この分離により、開発者は、より豊かなネイティブ視覚を選ぶか、処理内容を確認しやすい専門的なツール出力を選ぶかを、タスクごとに決められる。