DeepSeek Harness v0.1: Chiński gigant AI otwiera kod źródłowy frameworku dla autonomicznych agentów

W dniach 13–14 sierpnia 2026 roku chińska firma AI DeepSeek udostępniła DeepSeek Harness v0.1 – otwartoźródłowy, licencjonowany na MIT framework typu agent runtime. To posunięcie oznacza przesunięcie uwagi firmy z budowy efektywnych kosztowo dużych modeli językowych (LLM) na konkurowanie w warstwie autonomicznych agentów AI . To nie jest kolejne wydanie modelu – to strategiczny zwrot w kierunku, który analitycy i sama firma określają jako „nowe pole bitwy poza dużymi modelami językowymi” .

Czym jest DeepSeek Harness?

DeepSeek Harness to oprogramowanie napisane w języku Node.js, które działa na wierzchu modelu LLM – to właśnie ten „harness” (uprząż). Zajmuje się narzędziami, pamięcią, orkiestracją pod-agentów, zarządzaniem sesjami i logiką kończenia zadań, dzięki czemu model może samodzielnie wykonywać złożone, wieloetapowe operacje . Wewnętrzna formuła DeepSeek jest prosta: Model + Harness = Agent . Model jest mózgiem odpowiedzialnym za rozumowanie; harness to system peryferyjny łączący ten mózg z plikami, terminalami, przeglądarkami i zewnętrznymi narzędziami .

Strategiczny zwrot od modeli językowych do agentowej AI

DeepSeek zbudował swoją reputację na trenowaniu modeli LLM na granicy możliwości przy ułamku kosztów amerykańskich konkurentów, takich jak OpenAI i Anthropic. Wraz z Harness firma wkracza do „warstwy wykonawczej” – infrastruktury, która przekształca surową inteligencję modelu w możliwy do wdrożenia, generujący przychody produkt . South China Morning Post nazwał to wydanie „strategicznym zwrotem, ponieważ DeepSeek wkracza na nowe pole bitwy poza dużymi modelami językowymi” .

Firma poparła ten zwrot ~7 miliardami dolarów zewnętrznego finansowania – swoją pierwszą poważną zewnętrzną rundą – i rozpoczęła agresywną kampanię rekrutacyjną w dziale Harness . Do czerwca 2026 roku DeepSeek rzekomo planował podwoić liczbę pracowników we wszystkich działach, rozwijając nową linię biznesową .

„Wszystko jest wtyczką”: architektura modułowa

Główną zasadą projektową Harness jest „Wszystko jest wtyczką” . Został zbudowany na meta-frameworku Cordis, który zarządza ładowaniem, wyładowywaniem i zależnościami wtyczek . Wszystkie komponenty – modele, narzędzia, umiejętności, sesje, piaskownice, systemy plików, pętle orkiestracji, a nawet UI – są zaimplementowane jako niezależne wtyczki do Cordis .

Oznacza to, że programiści mogą mieszać, dopasowywać, wymieniać i rozszerzać każdą funkcję bez modyfikowania podstawowego kodu źródłowego . „Nie ma uprzywilejowanego rdzenia do łatania” ; rozszerzanie systemu polega na montowaniu nowych wtyczek obok istniejących. Architektura została zaprojektowana tak, aby programiści mogli skomponować niestandardowe środowisko uruchomieniowe dla agenta, wybierając tylko te wtyczki, których potrzebują do danego zadania .

Cztery predefiniowane tryby pracy

Harness jest dostarczany z czterema wbudowanymi presetami agentów, z których każdy jest inną kompozycją tego samego systemu wtyczek :

Tryb	Nazwa	Przeznaczenie
Standard	Pełny agent programistyczny	Codzienne programowanie, debugowanie i analiza projektów z pełnym zestawem narzędzi, w tym edycją plików, powłoką, wyszukiwaniem w sieci/plikach, umiejętnościami, planowaniem, celami, pod-agentami i przepływami pracy .
Code (PTC)	Programatyczne wywoływanie narzędzi	Model generuje TypeScript, aby orkiestrować wiele wywołań narzędzi w jednej operacji run_code – zmniejszając liczbę rund i zużycie tokenów dla przeszukiwania wsadowego, równoległych odczytów i zautomatyzowanych wieloetapowych przepływów pracy .
Minimal	Tryb testów porównawczych	Tylko narzędzie powłoki i edytor plików – okrojony do odtwarzalnych testów porównawczych modeli. W tym trybie DeepSeek testował wewnętrznie model V4-Flash przed publiczną premierą .
Creator	Introspekcja i rozwój	Inspekcja działającego środowiska Cordis, testowanie połączeń wtyczek w pamięci, budowanie nowych presetów i tworzenie niestandardowych wtyczek .

Każdy tryb ładuje inny domyślny zestaw wtyczek; przełączanie trybów zmienia, jakie narzędzia posiada agent i jak je wykonuje .

Zastosowano konstrukcję dziennika sesji tylko do dołączania, która zapewnia, że każdy prompt systemowy, tok rozumowania, wywołanie narzędzia i jego wynik, wysłanie pod-agenta oraz wstrzyknięcie kontekstu są w pełni rejestrowane, umożliwiając dokładne odtworzenie i debugowanie dowolnej trajektorii agenta .

Zatrudnienie z Jane Street: Cui Tianyi

W maju 2026 roku DeepSeek zatrudnił Cui Tianyi (Tianyi Cui), byłego badacza ilościowego i znakomitego inżyniera z Jane Street, do kierowania nowym zespołem Harness . Profil Cui na LinkedIn określa go jako „Członek Personelu Technicznego, Zespół Harness” w DeepSeek AI od marca 2026 roku, budującego Agent Harness w Pekinie . Wcześniej był współzałożycielem hongkońskiej firmy zajmującej się handlem ilościowym TSY Capital po prawie dziewięciu latach pracy w Jane Street w działach rozwoju oprogramowania i badań ilościowych .

Starszy badacz Deli Chen ujawnił w maju 2026 roku, że zespół buduje „CodeHarness” od podstaw, a samodzielny produkt „DeepSeek Code” jest podobno w przygotowaniu . Cui osobiście przeprowadza codzienne rozmowy z kandydatami i publikuje ogłoszenia rekrutacyjne na wielu platformach, opisując zespół Harness jako „bezpośrednio podejmujący się jednego z najważniejszych zadań firmy” .

Pozycjonowanie konkurencyjne wobec Claude Code od Anthropic

DeepSeek Harness jest pozycjonowany jako bezpośrednia alternatywa dla Claude Code od Anthropic – popularnego narzędzia agentowego amerykańskiej firmy AI . DeepSeek zarejestrował dedykowane konto WeChat „DeepSeek Harness (Tool Framework)” jako osobny oficjalny kanał dla linii biznesowej Harness .

DeepSeek publicznie oświadczył jednak, że Harness nie ma być „kolejnym Codex” . Zamiast tego jest to rekomponowalne, odtwarzalne środowisko wykonawcze agenta, w którym każda funkcja jest wymienna – bardziej modułowe i otwarte podejście w porównaniu z bardziej monolitycznymi konkurentami . Strategia otwartego oprogramowania na licencji MIT kontrastuje z zastrzeżonymi modelami Anthropic i OpenAI, potencjalnie przyciągając większy ekosystem programistów .

Projekt zdobył ponad 33 000 gwiazdek na GitHubie w ciągu kilku godzin od publicznej zapowiedzi , co odzwierciedla duże zainteresowanie programistów podejściem opartym na wtyczkach i otwartym kodzie źródłowym.

Jak zacząć

Rozpoczęcie pracy jest proste: uruchom

npx @deepseek-ai/dsh web