AnswersPublished18 sources
DeepSeek V4 Pro och Harness: Därför kan agentkörningen bli viktigare än modellen
DeepSeek kombinerade lanseringen av V4 Pro med Harness v0.1 – en MIT licensierad utvecklarförhandsversion, inte en färdig kodagent för slutanvändare. Harness bygger på Cordis och gör modeller, verktyg, sessioner, lagring, agentloopar, sandlådor, schemaläggning och gränssnitt utbytbara genom plugin program.
Publicerad avRedigerad med GPT-5.6 LunaBilder genererade med GPT Image 1.5
Research answer
Key takeaways
- DeepSeek kombinerade lanseringen av V4 Pro med Harness v0.1 – en MIT licensierad utvecklarförhandsversion, inte en färdig kodagent för slutanvändare.
- Harness bygger på Cordis och gör modeller, verktyg, sessioner, lagring, agentloopar, sandlådor, schemaläggning och gränssnitt utbytbara genom plugin program.
- I Composios test klarade samma DeepSeek V4 Flash modell mellan 14 och 20 av 30 uppgifter beroende på vilket agentramverk som användes.
- Spårbara sessionsloggar och funktioner för att återuppta, förgrena, söka i och spela upp körningar kan ge bättre underlag för utvärdering och iterativ utveckling.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: What were DeepSeek’s August 13, 2026 announcements of the official DeepSeek V4 Pro and the MIT-licensed developer preview of DeepSeek Harnes. Article summary: On August 13, DeepSeek paired the official release of DeepSeek V4 Pro—its agent-work-oriented flagship—with Harness v0.1, an MIT-licensed, source-available developer preview for people building agent runtimes rather than. Topic tags: general, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fa
Den 13 augusti 2026 lanserade DeepSeek två delar av AI-stacken samtidigt: den officiella flaggskeppsmodellen DeepSeek V4 Pro, med fokus på agentbaserade arbetsflöden, och DeepSeek Harness v0.1, en MIT-licensierad utvecklarförhandsversion för att bygga och förändra agentkörmiljöer. 32
20
Det strategiska budskapet sträcker sig längre än en vanlig modellrelease. I praktiska agentarbetsflöden arbetar modellen i ett system som förser den med kontext, verktyg, minne, körregler, återställning och utvärdering. Composios tester tyder på att detta omgivande system kan påverka både träffsäkerhet och kostnad betydligt – även när den underliggande modellen är densamma. 3
Två lanseringar – två olika lager
DeepSeek släppte den officiella V4 Pro-versionen tillsammans med Harness v0.1. Harness distribueras som dsh och beskrivs som infrastruktur för utvecklare som bygger agentramverk, inte som en mogen ersättare för produkter som Claude Code eller Codex. 32
20
Licensen är central. Genom att publicera utvecklarförhandsversionen under den tillåtande MIT-licensen öppnar DeepSeek koden för granskning, förändringar och vidareutveckling. Dokumentationen beskriver samtidigt en modellagnostisk arkitektur där utvecklare kan arbeta med olika modellleverantörer i stället för att låsas till en enda modell. 22
28
Samma modell, olika resultat
Composio körde samma DeepSeek V4 Flash-modell genom åtta olika agentramverk på 30 uppgifter som krävde flera steg. Av 240 körningar lyckades 129, vilket motsvarar en total framgångsgrad på 53,8 procent. Bara sex av de 30 arbetsflödena slutfördes framgångsrikt av samtliga ramverk. 3
Skillnaderna mellan körmiljöerna var tydliga:
- Pi Agent klarade 20 av 30 uppgifter.
- Oh My Pi klarade 17 av 30.
- Claude Code, Codex och DeepAgents klarade 16 av 30 vardera.
- Hermes Agent klarade 15 av 30.
- OpenCode klarade 14 av 30.
Även kostnaden per lyckad uppgift varierade. Composio uppskattade den till cirka 0,195 dollar för Claude Code, 0,081 dollar för Codex och 0,045 dollar för DeepAgents. För Pi Agent rapporterades cirka 0,028 dollar, även om jämförelsen måste läsas mot bakgrund av studiens metod och de olika ramverkens beteende. 3
Det här är inte en universell ranking av agentprodukter. Resultatet stöder en mer avgränsad, men viktig, slutsats: modelltester beskriver inte hela agentens prestation. Den praktiska jämförelseenheten blir allt oftare modell plus körmiljö.
Vad DeepSeek Harness är byggt för
Harness bygger på Cordis, ett ramverk där körmiljöns funktioner exponeras som plugin-program. Enligt DeepSeeks arkitekturdokumentation är modelladaptern, verktygsregistret, sessionsloggen och agentloopen utbytbara komponenter. 17
Andra plugin-gränser omfattar bland annat:
- modell- och leverantörsadaptrar;
- verktyg och färdigheter;
- sessioner och lagring;
- sandlådor och exekveringsmiljöer;
- schemaläggning och samordning av underagenter;
- själva agentloopen; samt
- användargränssnittet.
Det separerar språkmodellen från den infrastruktur som förvandlar ett enskilt svar till en pågående agentprocess. Utvecklare kan därmed förändra hur agenten samlar in kontext, använder verktyg, sparar tillstånd, försöker igen efter fel eller presenterar sitt arbete – utan att skriva om hela körmiljön. 17
20
Formuleringen ”allt är ett plugin” är därför mer än en teknisk paketeringsdetalj. Den placerar lagret mellan modellen och arbetsmiljön i centrum för experimenterandet.
Spårbara sessioner gör utvecklingen mer iterativ
DeepSeek uppger att Harness registrerar vad modellen ser och gör i en tilläggsbaserad sessionslogg. Där ingår systeminstruktioner, resonemang, verktygsanrop och resultat, schemaläggning av underagenter samt injicering av kontext. I vyn Trajectory kan händelseflödet granskas, medan funktioner för att återuppta, förgrena, söka i och spela upp körningar använder samma logg. 22
För utvecklare kan det ge flera praktiska fördelar:
- Felsökning: misslyckanden kan analyseras som en kedja av kontextförändringar och handlingar, inte bara utifrån det slutliga svaret.
- Reproducerbarhet: ett arbetsflöde kan spelas upp eller återställas efter att en prompt, ett verktyg eller ett plugin har ändrats.
- Parallella experiment: en körning kan förgrenas så att en alternativ strategi testas utan att originalet försvinner.
- Utvärderingsdata: lyckade och misslyckade körningar kan användas för att testa nya verktyg, instruktioner, regler eller agentloopar.
Det kan stödja en kontinuerlig förbättringscykel: kör en uppgift, granska förloppet, identifiera felet, ändra ett plugin, kör igen och spara resultatet. Men ett system som registrerar och spelar upp körningar är inte automatiskt ett självlärande system. Underlaget stöder Harness som en granskningsbar bas för iterativ utveckling – inte som ett bevis på tillförlitlig autonom förbättring. 22
Långtidsminne och självutveckling kräver försiktighet
Ekosystemet runt Harness innehåller redan tredjepartsprojekt som marknadsför minne mellan sessioner och självutveckling i bakgrunden. 18
19
Projekten visar att plugin-arkitekturen kan rymma beständigt minne, projekthistorik, självrevision och funktioner för att hantera färdigheter. De visar däremot inte att grundversionen v0.1 på ett säkert och generellt sätt klarar kontinuerlig självförbättring. Skillnaden är viktig: valfria plugin-program, experimentella integrationer och funktioner i kärnprodukten ska inte behandlas som samma sak.
Inför användning i produktion behöver team fortfarande utvärdera datalagring, behörigheter, isolering av sandlådor, hantering av autentiseringsuppgifter, möjligheten att rulla tillbaka ändringar och risken för att ett automatiserat system förändrar sina egna verktyg eller arbetsmetoder.
Den strategiska satsningen: att äga utvecklarnas ingång
DeepSeek kan konkurrera på modellnivå med V4 Pro och V4 Flash. Harness ger företaget dessutom möjlighet att konkurrera på den nivå där utvecklare bestämmer hur modeller faktiskt ska användas.
Det lagret styr bland annat:
- vilken modell som väljs;
- hur kontext samlas in och komprimeras;
- vilka verktyg och behörigheter som blir tillgängliga;
- hur långvariga uppgifter återupptas;
- hur fel upptäcks och hanteras;
- hur körningar utvärderas; samt
- vilka plugin-program som blir en del av agentens arbetsflöde.
Genom att öppna körmiljön uppmuntrar DeepSeek externa utvecklare att bygga adaptrar, verktyg, minnesfunktioner och arbetsmönster kring arkitekturen. Samtidigt kan DeepSeek behålla inflytandet över utvecklarnas ingång till systemet, även när Harness stöder flera modellleverantörer. Det kan vara en mer hållbar position än att enbart konkurrera med modellvikter eller API-priser.
Angreppssättet öppnar också för AI-assisterad AI-utveckling. En agent skulle kunna hjälpa till att skapa ett plugin, granska misslyckade körningar, föreslå en ändring, köra en utvärdering och bevara experimentens historik. Det bör förstås som infrastruktur för en teknisk återkopplingsloop – inte som bevis på en färdig självlärande agent.
Därför spelar v0.1-etiketten roll
Att Harness är en utvecklarförhandsversion är avgörande för hur lanseringen ska tolkas. DeepSeek bjuder in till experiment och gemensam utveckling, men API:er, integrationer, säkerhetskontroller och driftsegenskaper kan fortfarande förändras. 20
Utvecklare bör därför utvärdera Harness som ett öppet ramverk och en plattform för utveckling och forskning – inte utgå från att det redan erbjuder samma tillförlitlighet, polish eller skyddsåtgärder som en mogen kodagent.
Slutsats
DeepSeeks lanseringar den 13 augusti kopplade samman en modellrelease med en strategi för infrastruktur. V4 Pro står för flaggskeppsmodellen, medan Harness exponerar den körmiljö som avgör hur modellen arbetar med verktyg, kontext, minne och långvariga uppgifter. 32
20
Composios resultat visar varför skillnaden spelar roll: samma V4 Flash-modell klarade mellan 14 och 20 av de testade uppgifterna beroende på körmiljö, samtidigt som de rapporterade kostnaderna också skilde sig markant. 3 Harness plugin-arkitektur och spårbara körningar ger DeepSeek en trovärdig grund för experiment, utvärdering och AI-assisterad ingenjörsutveckling. De bevisar inte i sig att kontinuerligt lärande fungerar pålitligt – men de kan bidra till att göra agentens körmiljö till nästa stora konkurrensarena.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "DeepSeek V4 Pro och Harness: Därför kan agentkörningen bli viktigare än modellen"?
DeepSeek kombinerade lanseringen av V4 Pro med Harness v0.1 – en MIT licensierad utvecklarförhandsversion, inte en färdig kodagent för slutanvändare.
What are the key points to validate first?
DeepSeek kombinerade lanseringen av V4 Pro med Harness v0.1 – en MIT licensierad utvecklarförhandsversion, inte en färdig kodagent för slutanvändare. Harness bygger på Cordis och gör modeller, verktyg, sessioner, lagring, agentloopar, sandlådor, schemaläggning och gränssnitt utbytbara genom plugin program.
What should I do next in practice?
I Composios test klarade samma DeepSeek V4 Flash modell mellan 14 och 20 av 30 uppgifter beroende på vilket agentramverk som användes.