DeepSeekは2026年8月13日、エージェント業務を強く意識した公式モデル「DeepSeek V4 Pro」と、エージェント実行基盤を構築・改変するための開発者向けプレビュー「DeepSeek Harness v0.1」を同時に発表した。3220

一見すると、これは新モデルと新しい開発ツールの発表に見える。しかし戦略的な意味は、モデルの性能競争だけにとどまらない。実際のAIエージェントは、モデル単体で動くわけではない。コンテキスト、ツール、メモリー、実行ポリシー、失敗時の復旧処理、評価機能などを備えたランタイムの中で動作するからだ。3

8月13日に発表された2つのレイヤー

DeepSeekが公開したHarnessは、コマンドライン上では dsh として提供される。これはClaude CodeやCodexのような、すぐに使える完成済みのエンドユーザー向け製品というより、開発者が独自のエージェント・ハーネスを構築するための基盤として位置づけられている。3220

MITライセンスで開発者プレビューを公開した点も重要だ。ソースコードを調査し、改変・拡張できるだけでなく、特定のモデルに固定されないモデル非依存の構成を目指している。つまり、DeepSeekのモデルだけでなく、異なるモデルプロバイダーを組み合わせて使える設計だ。2228

同じモデルでも、ハーネスが違えば結果が変わる

Harnessの重要性を示す材料が、Composioによる比較テストだ。Composioは同じDeepSeek V4 Flashモデルを8種類のエージェント・ハーネスで動かし、30個の複数ステップ課題を試した。計240回の実行で成功したのは129回、全体の成功率は53.8％だった。30個のワークフローのうち、すべてのハーネスで成功したのはわずか6個だった。3

ハーネスごとの成功数は次の通りだ。

• Pi Agent：30件中20件
• Oh My Pi：30件中17件
• Claude Code、Codex、DeepAgents：それぞれ30件中16件
• Hermes Agent：30件中15件
• OpenCode：30件中14件

成功したタスク1件あたりの推定コストにも差があった。Composioの報告では、Claude Codeは約0.195ドル、Codexは約0.081ドル、DeepAgentsは約0.045ドルだった。Pi Agentは約0.028ドルと報告されている。ただし、各ランタイムの挙動やテスト手法が異なるため、単純な製品ランキングとして読むべきではない。3

ここから導けるのは、より限定的だが重要な結論だ。モデルのベンチマークだけでは、エージェントの実用性能を十分に説明できない。比較の単位は、次第に「どのモデルか」から**「どのモデルと、どのハーネスの組み合わせか」**へ移りつつある。

Harnessの核は「すべてをプラグインにする」こと

Harnessは、ランタイムの機能をプラグインとして扱うCordis上に構築されている。DeepSeekのアーキテクチャ文書によれば、モデルアダプター、ツールレジストリー、セッションログ、エージェントループなどが交換可能な構成要素になっている。17

報告されているプラグインの境界には、次のようなものがある。

• モデルおよびプロバイダーのアダプター
• ツールとスキル
• セッションとストレージ
• サンドボックスと実行環境
• スケジューリングとサブエージェントの連携
• エージェントループ
• ユーザーインターフェース

この分離により、開発者はモデルそのものを書き換えなくても、エージェントがコンテキストを組み立てる方法、ツールを呼び出す方法、状態を保存する方法、失敗時に再試行する方法、処理結果を表示する方法を変更できる。1720

「すべてがプラグイン」という設計は、単なるパッケージング上の工夫ではない。モデルと作業環境の間にあるハーネス層を、実験と改良の中心に置く考え方だ。

追跡可能なセッションが改善サイクルを作る

DeepSeekによると、Harnessはモデルが見たもの、実行したものを追加専用のセッションログに記録する。システムプロンプト、推論、ツールの呼び出しと結果、サブエージェントのスケジューリング、コンテキストへの注入などが対象になる。22

「Trajectory」ビューでは、そのイベントの流れを確認できる。さらに、復元、分岐、検索、再生も同じイベントストリームを基盤として動作する。22

開発者にとって、これは次のような利点につながる。

1. **デバッグしやすい：**最終回答だけでなく、コンテキストがどう変化し、どの操作が行われたかを時系列で調べられる。
2. **再現しやすい：**プロンプトやツール、プラグインを変更した後、同じワークフローを再実行して比較できる。
3. **実験を分岐できる：**元の実行履歴を残したまま、別の戦略を分岐させて試せる。
4. **評価データにできる：**成功・失敗した軌跡を、新しいツール、プロンプト、ポリシー、エージェントループの評価に利用できる。

想定される改善サイクルは明快だ。タスクを実行し、軌跡を確認し、失敗箇所を特定し、プラグインを修正して再実行する。そして、その結果を保存する。22

ただし、軌跡を記録・再生できることと、システムが自動的に学習し続けることは同じではない。現時点で示されているのは、Harnessが監査可能で反復的な開発を支える土台だということだ。信頼性の高い自律的改善が実現したという証明ではない。22

メモリーと「自己進化」は慎重に見る必要がある

Harnessの周辺エコシステムには、セッションをまたぐ長期メモリーや、バックグラウンドでの自己進化をうたう第三者製プロジェクトも登場している。1819

これらは、プラグイン方式によって永続的なメモリー、プロジェクト履歴、自己レビュー、スキル管理などを組み込めることを示している。一方で、ベースとなるv0.1のHarnessが、安全かつ一般的に継続的な自己改善を実行できることを証明するものではない。

オプションのプラグイン、実験的な統合機能、コア製品の標準機能は、分けて考える必要がある。実運用に導入するなら、データの保持、権限管理、サンドボックスの分離、認証情報の扱い、ロールバック、そして自動システムが自分のツールや手順を変更するリスクまで検証しなければならない。

DeepSeekが狙うのは「開発者の入口」か

V4 ProとV4 Flashによって、DeepSeekはモデル層で競争できる。Harnessはさらに、開発者がモデルの使い方を決める層で競争する道を開く。

この層が決めるのは、たとえば次の事項だ。

• どのモデルを選ぶか
• コンテキストをどう組み立て、圧縮するか
• どのツールと権限を与えるか
• 長時間の処理をどう再開するか
• 失敗をどう検知し、復旧するか
• 実行軌跡をどう評価するか
• どのプラグインをエージェントのワークフローに組み込むか

ランタイムを開放すれば、外部の開発者はDeepSeekのアーキテクチャを中心に、モデルアダプター、ツール、メモリー、ワークフローを構築できる。複数のモデルプロバイダーをサポートする設計であっても、開発者がモデルを選び、コンテキストを管理し、ツールを接続し、結果を評価する入口をDeepSeekが提供することになる。

これは、モデルの重みやAPI料金だけで競争するよりも、長期的に影響力を保ちやすい位置取りになり得る。

AIがAI開発を支援するための基盤

プラグイン化されたランタイムと追跡可能な軌跡を組み合わせれば、AIエージェント自身が開発作業を支援する流れも考えられる。たとえば、エージェントがプラグインのたたき台を作り、失敗した軌跡を調べ、変更案を提示し、評価を実行し、実験の系譜を保存するといった使い方だ。

これは「完成した自己改善エージェント」というより、AIを使ったエンジニアリングのフィードバックループを支えるインフラと捉える方が正確だ。実行履歴が残ることで、試行錯誤を一回限りのチャットではなく、比較可能な開発プロセスに変えられる。

v0.1という表示が意味すること

Harnessが開発者プレビューである点は、この発表を理解するうえで欠かせない。DeepSeekは、開発者が試しながら共に作り上げることを促している。一方で、API、統合機能、セキュリティー管理、運用上の挙動は今後変わる可能性がある。20

したがって、現段階ではHarnessを、オープンなフレームワークおよび研究・開発用プラットフォームとして評価するのが妥当だ。成熟したコーディングエージェント製品と同等の信頼性、完成度、安全策がすでに備わっていると考えるべきではない。

まとめ

DeepSeekの8月13日の発表は、モデルのリリースとインフラ戦略を結びつけた。V4 Proが旗艦モデルを担う一方、Harnessはモデルがツール、コンテキスト、メモリー、長時間タスクとどう連携するかを決めるランタイムを開放する。3220

Composioの検証が示したように、同じV4 Flashでも、ハーネスを変えるだけでテスト課題の成功数は14件から20件まで変わり、コストにも大きな差が出た。3

Harnessのプラグインアーキテクチャと追跡可能な軌跡は、実験、評価、AI支援型の開発に向けた有力な土台になり得る。ただし、それだけで信頼できる継続学習が実現したわけではない。次のエージェント開発では、どのモデルを使うかだけでなく、モデルを現実の作業へと変換する「ハーネス層」そのものが、重要な競争領域になりそうだ。

DeepSeekは2026年8月13日、エージェント業務を強く意識した公式モデル「DeepSeek V4 Pro」と、エージェント実行基盤を構築・改変するための開発者向けプレビュー「DeepSeek Harness v0.1」を同時に発表した。3220

一見すると、これは新モデルと新しい開発ツールの発表に見える。しかし戦略的な意味は、モデルの性能競争だけにとどまらない。実際のAIエージェントは、モデル単体で動くわけではない。コンテキスト、ツール、メモリー、実行ポリシー、失敗時の復旧処理、評価機能などを備えたランタイムの中で動作するからだ。3

8月13日に発表された2つのレイヤー

DeepSeekが公開したHarnessは、コマンドライン上では dsh として提供される。これはClaude CodeやCodexのような、すぐに使える完成済みのエンドユーザー向け製品というより、開発者が独自のエージェント・ハーネスを構築するための基盤として位置づけられている。3220

MITライセンスで開発者プレビューを公開した点も重要だ。ソースコードを調査し、改変・拡張できるだけでなく、特定のモデルに固定されないモデル非依存の構成を目指している。つまり、DeepSeekのモデルだけでなく、異なるモデルプロバイダーを組み合わせて使える設計だ。2228

同じモデルでも、ハーネスが違えば結果が変わる

Harnessの重要性を示す材料が、Composioによる比較テストだ。Composioは同じDeepSeek V4 Flashモデルを8種類のエージェント・ハーネスで動かし、30個の複数ステップ課題を試した。計240回の実行で成功したのは129回、全体の成功率は53.8％だった。30個のワークフローのうち、すべてのハーネスで成功したのはわずか6個だった。3

ハーネスごとの成功数は次の通りだ。

• Pi Agent：30件中20件
• Oh My Pi：30件中17件
• Claude Code、Codex、DeepAgents：それぞれ30件中16件
• Hermes Agent：30件中15件
• OpenCode：30件中14件

成功したタスク1件あたりの推定コストにも差があった。Composioの報告では、Claude Codeは約0.195ドル、Codexは約0.081ドル、DeepAgentsは約0.045ドルだった。Pi Agentは約0.028ドルと報告されている。ただし、各ランタイムの挙動やテスト手法が異なるため、単純な製品ランキングとして読むべきではない。3

ここから導けるのは、より限定的だが重要な結論だ。モデルのベンチマークだけでは、エージェントの実用性能を十分に説明できない。比較の単位は、次第に「どのモデルか」から**「どのモデルと、どのハーネスの組み合わせか」**へ移りつつある。

Harnessの核は「すべてをプラグインにする」こと

Harnessは、ランタイムの機能をプラグインとして扱うCordis上に構築されている。DeepSeekのアーキテクチャ文書によれば、モデルアダプター、ツールレジストリー、セッションログ、エージェントループなどが交換可能な構成要素になっている。17

報告されているプラグインの境界には、次のようなものがある。

• モデルおよびプロバイダーのアダプター
• ツールとスキル
• セッションとストレージ
• サンドボックスと実行環境
• スケジューリングとサブエージェントの連携
• エージェントループ
• ユーザーインターフェース

この分離により、開発者はモデルそのものを書き換えなくても、エージェントがコンテキストを組み立てる方法、ツールを呼び出す方法、状態を保存する方法、失敗時に再試行する方法、処理結果を表示する方法を変更できる。1720

「すべてがプラグイン」という設計は、単なるパッケージング上の工夫ではない。モデルと作業環境の間にあるハーネス層を、実験と改良の中心に置く考え方だ。

追跡可能なセッションが改善サイクルを作る

DeepSeekによると、Harnessはモデルが見たもの、実行したものを追加専用のセッションログに記録する。システムプロンプト、推論、ツールの呼び出しと結果、サブエージェントのスケジューリング、コンテキストへの注入などが対象になる。22

「Trajectory」ビューでは、そのイベントの流れを確認できる。さらに、復元、分岐、検索、再生も同じイベントストリームを基盤として動作する。22

開発者にとって、これは次のような利点につながる。

1. **デバッグしやすい：**最終回答だけでなく、コンテキストがどう変化し、どの操作が行われたかを時系列で調べられる。
2. **再現しやすい：**プロンプトやツール、プラグインを変更した後、同じワークフローを再実行して比較できる。
3. **実験を分岐できる：**元の実行履歴を残したまま、別の戦略を分岐させて試せる。
4. **評価データにできる：**成功・失敗した軌跡を、新しいツール、プロンプト、ポリシー、エージェントループの評価に利用できる。

想定される改善サイクルは明快だ。タスクを実行し、軌跡を確認し、失敗箇所を特定し、プラグインを修正して再実行する。そして、その結果を保存する。22

ただし、軌跡を記録・再生できることと、システムが自動的に学習し続けることは同じではない。現時点で示されているのは、Harnessが監査可能で反復的な開発を支える土台だということだ。信頼性の高い自律的改善が実現したという証明ではない。22

メモリーと「自己進化」は慎重に見る必要がある

Harnessの周辺エコシステムには、セッションをまたぐ長期メモリーや、バックグラウンドでの自己進化をうたう第三者製プロジェクトも登場している。1819

これらは、プラグイン方式によって永続的なメモリー、プロジェクト履歴、自己レビュー、スキル管理などを組み込めることを示している。一方で、ベースとなるv0.1のHarnessが、安全かつ一般的に継続的な自己改善を実行できることを証明するものではない。

オプションのプラグイン、実験的な統合機能、コア製品の標準機能は、分けて考える必要がある。実運用に導入するなら、データの保持、権限管理、サンドボックスの分離、認証情報の扱い、ロールバック、そして自動システムが自分のツールや手順を変更するリスクまで検証しなければならない。

DeepSeekが狙うのは「開発者の入口」か

V4 ProとV4 Flashによって、DeepSeekはモデル層で競争できる。Harnessはさらに、開発者がモデルの使い方を決める層で競争する道を開く。

この層が決めるのは、たとえば次の事項だ。

• どのモデルを選ぶか
• コンテキストをどう組み立て、圧縮するか
• どのツールと権限を与えるか
• 長時間の処理をどう再開するか
• 失敗をどう検知し、復旧するか
• 実行軌跡をどう評価するか
• どのプラグインをエージェントのワークフローに組み込むか

ランタイムを開放すれば、外部の開発者はDeepSeekのアーキテクチャを中心に、モデルアダプター、ツール、メモリー、ワークフローを構築できる。複数のモデルプロバイダーをサポートする設計であっても、開発者がモデルを選び、コンテキストを管理し、ツールを接続し、結果を評価する入口をDeepSeekが提供することになる。

これは、モデルの重みやAPI料金だけで競争するよりも、長期的に影響力を保ちやすい位置取りになり得る。

AIがAI開発を支援するための基盤

プラグイン化されたランタイムと追跡可能な軌跡を組み合わせれば、AIエージェント自身が開発作業を支援する流れも考えられる。たとえば、エージェントがプラグインのたたき台を作り、失敗した軌跡を調べ、変更案を提示し、評価を実行し、実験の系譜を保存するといった使い方だ。

これは「完成した自己改善エージェント」というより、AIを使ったエンジニアリングのフィードバックループを支えるインフラと捉える方が正確だ。実行履歴が残ることで、試行錯誤を一回限りのチャットではなく、比較可能な開発プロセスに変えられる。

v0.1という表示が意味すること

Harnessが開発者プレビューである点は、この発表を理解するうえで欠かせない。DeepSeekは、開発者が試しながら共に作り上げることを促している。一方で、API、統合機能、セキュリティー管理、運用上の挙動は今後変わる可能性がある。20

したがって、現段階ではHarnessを、オープンなフレームワークおよび研究・開発用プラットフォームとして評価するのが妥当だ。成熟したコーディングエージェント製品と同等の信頼性、完成度、安全策がすでに備わっていると考えるべきではない。

まとめ

DeepSeekの8月13日の発表は、モデルのリリースとインフラ戦略を結びつけた。V4 Proが旗艦モデルを担う一方、Harnessはモデルがツール、コンテキスト、メモリー、長時間タスクとどう連携するかを決めるランタイムを開放する。3220

Composioの検証が示したように、同じV4 Flashでも、ハーネスを変えるだけでテスト課題の成功数は14件から20件まで変わり、コストにも大きな差が出た。3

Harnessのプラグインアーキテクチャと追跡可能な軌跡は、実験、評価、AI支援型の開発に向けた有力な土台になり得る。ただし、それだけで信頼できる継続学習が実現したわけではない。次のエージェント開発では、どのモデルを使うかだけでなく、モデルを現実の作業へと変換する「ハーネス層」そのものが、重要な競争領域になりそうだ。