DeepSeek Harness v0.1: Kina kaster seg inn i kampen om autonome KI-agenter

Den 13.–14. august 2026 lanserte det kinesiske KI-selskapet DeepSeek DeepSeek Harness v0.1 – et åpen kildekode-rammeverk for agenter, lisensiert under MIT. Dette flytter selskapets fokus fra å bygge kostnadseffektive store språkmodeller (LLM-er) til å konkurrere i laget for autonome KI-agenter . Dette er ikke nok en modell Lansering; det er et strategisk skifte som analytikere og selskapet selv beskriver som et trekk inn i "en ny slagmark utover store språkmodeller" .

Hva er DeepSeek Harness?

DeepSeek Harness er en Node.js-basert programvare som ligger oppå en LLM – selve "seletøyet" – og håndterer verktøy, minne, orkestrering av underagenter, øktstyring og avsluttende logikk, slik at modellen kan utføre komplekse, flertrinns oppgaver autonomt . DeepSeeks interne formel er enkel: Modell + Seletøy = Agent . Modellen er den resonnerende hjernen; seletøyet er det perifere systemet som kobler denne hjernen til filer, terminaler, nettlesere og eksterne verktøy .

Et strategisk skifte fra LLM-er til agentisk KI

DeepSeek bygde sitt rykte på å trene fremste LLM-er til en brøkdel av kostnaden til amerikanske konkurrenter som OpenAI og Anthropic. Med Harness beveger selskapet seg inn i "utførelseslaget" – infrastrukturen som gjør rå modellintelligens om til et utplasserbart, inntektsgenererende produkt . South China Morning Post kalte lanseringen "et strategisk skifte ettersom DeepSeek våger seg inn i en ny slagmark utover store språkmodeller" .

Selskapet har støttet dette skiftet med omtrent 7 milliarder dollar i ekstern finansiering – dens første større eksterne kapital – og har startet en aggressiv ansettelsesbølge på tvers av Harness-avdelingen . Innen juni 2026 hadde DeepSeek angivelig som mål å doble alle avdelinger ettersom de bygde ut den nye forretningslinjen .

"Alt er en plugin": Modulær arkitektur

Harness' definerende designprinsipp er "Alt er en plugin" . Den er bygget på Cordis meta-rammeverket, som håndterer lasting, avlasting og avhengighetsstyring av plugins . Alle komponenter – modeller, verktøy, ferdigheter, økter, sandkasser, filsystemer, orkestreringsløkker og til og med brukergrensesnittet – er implementert som uavhengige Cordis-plugins .

Dette betyr at utviklere kan mikse, matche, erstatte og utvide alle funksjoner uten å måtte endre den underliggende kildekoden . Det er "ingen privilegert kjerne å patche" ; utviding av systemet gjøres ved å montere nye plugins ved siden av eksisterende. Arkitekturen er designet for å la utviklere sette sammen en tilpasset agentkjøretid ved å velge kun de pluginene de trenger for en gitt oppgave .

Fire forhåndsinnstilte kjøremoduser

Harness leveres med fire innebygde agentforhåndsinnstillinger, hver en forskjellig sammensetning av det samme pluginsystemet :

Modus	Navn	Formål
Standard	Full kodeagent	Daglig koding, feilsøking og prosjektanalyse med komplett verktøysett inkludert filredigering, shell, nett/filsøk, ferdigheter, planlegging, mål, underagenter og arbeidsflyter .
Kode (PTC)	Programmatisk verktøykalling	Modellen genererer TypeScript for å orkestrere flere verktøykall i en enkelt run_code-operasjon – reduserer rundturer og tokenforbruk for batchsøk, parallelle avlesninger og automatiserte flertrinns arbeidsflyter .
Minimal	Benchmarking-modus	Kun et shell-verktøy og en filredigerer – strippet ned for reproduserbar modellbenchmarking. Dette var modusen DeepSeek brukte internt for å benchmarke V4-Flash før offentlig lansering .
Skaper	Introspeksjon og utvikling	Inspiser det kjørende Cordis-miljøet, test plugin-forbindelser i minnet, bygg nye forhåndsinnstillinger og lag egendefinerte plugins .

Hver modus laster et annet standard pluginsett; å bytte modus endrer hvilke verktøy en agent har og hvordan den utfører .

Den append-only øktlogg-designen sikrer at hver systemspørring, tankerekke, verktøykall med resultat, underagentutsendelse og kontekstinjeksjon blir fullstendig registrert, noe som muliggjør nøyaktig avspilling og feilsøking av enhver agentbane .

Rekrutteringen fra Jane Street: Cui Tianyi

I mai 2026 rekrutterte DeepSeek Cui Tianyi (Tianyi Cui), en tidligere kvantitativ forsker og stjerneningeniør fra Jane Street, til å lede sitt nye Harness-team . Cuis LinkedIn-profil viser ham som "Member of Technical Staff, Harness Team" hos DeepSeek AI siden mars 2026, og bygger Agent Harness fra Beijing . Han hadde tidligere vært medgründer av det Hongkong-baserte kvantitative handelsfirmaet TSY Capital, etter nesten ni år hos Jane Street i programvareutvikling og kvantitative forskningsroller .

Seniorforsker Deli Chen avslørte i mai 2026 at teamet bygger "CodeHarness" fra bunnen av, med et frittstående "DeepSeek Code"-produkt angivelig på trappene . Cui har personlig gjennomført daglige kandidatintervjuer og lagt ut stillingsannonser på flere plattformer, og beskriver Harness-teamet som "direkte ansvarlig for en av selskapets mest sentrale og viktigste oppgaver" .

Konkurranseposisjonering mot Anthropics Claude Code

DeepSeek Harness er posisjonert som et direkte alternativ til Anthropics Claude Code – det populære kodeagentverktøyet fra det amerikanske KI-selskapet . DeepSeek registrerte en dedikert "DeepSeek Harness (Tool Framework)" WeChat-konto som en egen offisiell kanal for Harness-forretningslinjen .

DeepSeek har imidlertid offentlig uttalt at Harness ikke er ment å være "den neste Codex" . I stedet er det en rekombinerbar, avspillbar agentkjøretid hvor hver funksjon kan byttes ut – en mer modulær og åpen tilnærming sammenlignet med mer monolittiske konkurrenter . Den åpne kildekode-strategien under MIT-lisens står i kontrast til de proprietære modellene til Anthropic og OpenAI, og kan potensielt tiltrekke seg et større utviklerøkosystem .

Prosjektet fikk over 33 000 GitHub-stjerner i løpet av timer etter den offentlige forhåndsvisningen , noe som gjenspeiler stor utviklerinteresse for den plugin-first, åpen kildekode-tilnærmingen.

Slik kommer du i gang

Det er enkelt å komme i gang: kjør

npx @deepseek-ai/dsh web