DeepSeek Harness v0.1 – Från språkmodeller till autonoma agenter

Den 13–14 augusti 2026 släppte det kinesiska AI-bolaget DeepSeek DeepSeek Harness v0.1 – ett ramverk för AI-agenter med öppen källkod under MIT-licens. Lanseringen markerar ett strategiskt skifte: DeepSeek rör sig bortom att bara bygga kostnadseffektiva stora språkmodeller (LLM:er) och kliver nu in på den autonoma AI-agentarenan . Det handlar inte om ännu en modellrelease; det är en riktningsförändring som både analytiker och bolaget själva beskriver som ett steg in på "en ny slagfält bortom stora språkmodeller" .

Vad är DeepSeek Harness?

DeepSeek Harness är mjukvara baserad på Node.js som placeras ovanpå en LLM – själva "selen" – och hanterar verktyg, minne, orkestrering av underagenter, sessionshantering och avslutningslogik så att modellen självständigt kan utföra komplexa, flerstegsproblem . DeepSeeks interna formel är enkel: Modell + Harness = Agent . Modellen är den resonerande hjärnan; Harness är det omgivande systemet som kopplar den hjärnan till filer, terminaler, webbläsare och externa verktyg .

Ett strategiskt skifte från LLM:er till agentisk AI

DeepSeek byggde sitt rykte på att träna toppmoderna LLM:er till en bråkdel av kostnaden jämfört med amerikanska konkurrenter som OpenAI och Anthropic. Med Harness kliver bolaget in i "exekveringslagret" – infrastrukturen som förvandlar rå modellintelligens till en driftsatt, intäktsbringande produkt . South China Morning Post kallade releasen "ett strategiskt skifte när DeepSeek ger sig ut på en ny slagfält bortom stora språkmodeller" .

Företaget har backat upp omställningen med cirka 7 miljarder dollar i extern finansiering – dess första större externa kapital – och inlett en aggressiv rekryteringskampanj inom Harness-divisionen . I juni 2026 uppgavs DeepSeek planera att fördubbla samtliga avdelningar när den nya affärslinjen byggdes upp .

"Allt är ett plugin": modulär arkitektur

Harness bärande designprincip är "Allt är ett plugin" . Det är byggt på Cordis-metaramverket, som hanterar inladdning, avladdning och beroendehantering av plugins . Samtliga komponenter – modeller, verktyg, färdigheter, sessioner, sandlådor, filsystem, orkestreringsloopar och till och med användargränssnittet – är implementerade som oberoende Cordis-plugins .

Det innebär att utvecklare kan mixa, matcha, byta ut och utöka alla funktioner utan att ändra i den underliggande källkoden . Det finns "ingen privilegierad kärna att patcha" ; systemet utökas genom att montera nya plugins bredvid befintliga. Arkitekturen är designad för att låta utvecklare komponera en egen agentkörning genom att bara välja de plugins de behöver för en given uppgift .

Fyra förinställda körlägen

Harness levereras med fyra inbyggda agentförinställningar, var och en en unik sammansättning av samma pluginsystem :

Läge	Namn	Syfte
Standard	Full kodningsagent	Vardaglig kodning, felsökning och projektanalys med komplett verktygslåda inklusive filredigering, shell, webb-/filsökning, färdigheter, planering, mål, underagenter och arbetsflöden .
Code (PTC)	Programmatiskt verktygskall	Modellen genererar TypeScript för att samordna flera verktygskall i en enda run_code-operation – minskar rundturer och tokenförbrukning för batchsökningar, parallella läsningar och automatiserade flerstegsarbetsflöden .
Minimal	Benchmarking-läge	Endast ett shell-verktyg och en filredigerare – avskalat för reproducerbar modellbenchmarking. Detta läge använde DeepSeek internt för att benchmarka V4-Flash inför den offentliga releasen .
Creator	Introspektion och utveckling	Inspektera den körande Cordis-miljön, testa plugin-anslutningar i minnet, bygg nya förinställningar och skapa egna plugins .

Varje läge laddar en annan standarduppsättning plugins; att byta läge ändrar vilka verktyg en agent har tillgång till och hur den exekverar .

Den append-only-sessionsloggen säkerställer att varje systemprompt, resonemangskedja, verktygskall och resultat, underagentutskick och kontextinjektion lagras fullständigt, vilket möjliggör exakt återspelning och felsökning av agentens vägval .

Rekryteringen från Jane Street: Cui Tianyi

I maj 2026 rekryterade DeepSeek Cui Tianyi (Tianyi Cui), tidigare kvantitativ forskare och stjärningejör på Jane Street, för att leda det nya Harness-teamet . Cus LinkedIn-profil listar honom som "Member of Technical Staff, Harness Team" på DeepSeek AI sedan mars 2026, där han bygger Agent Harness från Beijing . Han var tidigare medgrundare av det Hongkong-baserade kvantitativa tradingbolaget TSY Capital efter nära nio år på Jane Street inom mjukvaruutveckling och kvantitativ forskning .

Seniorforskaren Deli Chen avslöjade i maj 2026 att teamet bygger "CodeHarness" från grunden, med en fristående "DeepSeek Code"-produkt rapporterad på gång . Cui har personligen genomfört dagliga kandidatintervjuer och publicerat rekryteringsannonser på flera plattformar, och beskriver Harness-teamet som "direkt ansvarigt för en av bolagets mest centrala och viktigaste uppgifter" .

Konkurrenspositionering mot Anthropics Claude Code

DeepSeek Harness positioneras rakt igenom som ett direkt alternativ till Anthropics Claude Code – det populära kodningsagentverktyget från det amerikanska AI-bolaget . DeepSeek registrerade ett dedikerat "DeepSeek Harness (Tool Framework)" WeChat-konto som en separat officiell kanal för Harness-affärslinjen .

DeepSeek har dock offentligt sagt att Harness inte är tänkt att bli "nästa Codex" . Istället är det en omkomponerbar, återspelbar agentkörning där varje funktion är utbytbar – ett mer modulärt och öppet förhållningssätt jämfört med mer monolitiska konkurrenter . Strategin med öppen källkod under MIT-licens står i kontrast till Anthropics och Open AI:s proprietära modeller, vilket potentiellt kan locka en större utvecklarekossystem .

Projektet fick över 33 000 GitHub-stjärnor inom några timmar efter sin offentliga förhandsvisning , vilket speglar ett starkt utvecklarintresse för det plugin-först, öppen källkod-baserade tillvägagångssättet.

Så här kommer du igång

Att komma igång är enkelt: kör

npx @deepseek-ai/dsh web