DeepSeek Harness v0.1.0-rc.8: 14 การเปลี่ยนแปลงที่ทำให้ภาพกลายเป็นอินพุตหลักของเอเจนต์

DeepSeek Harness v0.1.0-rc.8 เป็นการอัปเกรดด้านการจัดการอินพุตและการประสานงานเวิร์กโฟลว์ มากกว่าจะเป็นหลักฐานว่าโมเดล DeepSeek ทุกตัวสามารถ “มองเห็น” ได้ รุ่นนี้เผยแพร่เมื่อวันที่ 19 สิงหาคม 2026 หรือ 6 วันหลังการเปิดตัวรุ่นเบตาสาธารณะและโครงการโอเพนซอร์ส โดยรายงานข่าวและการพูดคุยบางส่วนลงวันที่ 20–21 สิงหาคม 916 การเปลี่ยนแปลงทั้ง 14 รายการครอบคลุมการใช้ภาพในเวิร์กโฟลว์ของเอเจนต์ ตลอดจน subagents, เทอร์มินัล, การเรียกใช้เครื่องมือ, การจัดเก็บข้อมูล และความเข้ากันได้กับระบบอื่น 4

จุดเปลี่ยนสำคัญ: ภาพเข้าสู่วงจรการทำงานของเอเจนต์

RC.8 เพิ่มเส้นทางสำหรับส่งคำขอภาพแบบ native ใน DeepSeek model adapter ซึ่งสามารถเปิดใช้งานผ่านการตั้งค่าได้ หากโมเดลหรือแบ็กเอนด์ที่เลือกไว้รองรับอินพุตภาพ Harness จะส่งภาพเข้าโมเดลโดยตรง แทนการแยกไฟล์แนบออกจากโจทย์หลัก 28

ความสามารถนี้ถูกต่อเข้ากับคำสั่งวางแผนหลักของระบบด้วย ได้แก่

• /goal รองรับอินพุตที่มีทั้งข้อความและภาพ
• /plan รองรับอินพุตที่มีทั้งข้อความและภาพ
• เมนู @ สามารถเรียกใช้ไฟล์ในเครื่องและเซสชันก่อนหน้าได้ระหว่างทำงาน 21215

ในทางปฏิบัติ นักพัฒนาจึงสามารถแนบภาพหน้าจอ ต้นแบบหน้าจอผู้ใช้ แผนผัง หรือภาพแสดงข้อผิดพลาดไปพร้อมกับเป้าหมายและแผนงานได้ ไม่ต้องเสียเวลาบรรยายสิ่งที่อยู่ในภาพด้วยข้อความทั้งหมด

อย่างไรก็ตาม ประเด็นที่ต้องแยกให้ออกคือ RC.8 เพิ่ม “ช่องทางขนส่งและการจัดการภาพ” ไม่ได้เปลี่ยนโมเดลข้อความล้วนให้มีความเข้าใจภาพขึ้นมาเอง การตีความภาพแบบ native ยังขึ้นอยู่กับโมเดลหรือแบ็กเอนด์ที่กำหนดค่าไว้ 89

14 การเปลี่ยนแปลงครอบคลุมอะไรบ้าง

Claude Code และ Codex กลายเป็น subagents ที่ติดตั้งได้

Claude Code และ Codex สามารถติดตั้งเป็น profile bundle แบบเรียกใช้งานเมื่อต้องการภายในระบบ subagent ได้ ส่วน Codex ยังเพิ่มโหมดสิทธิ์การทำงานแบบไม่โต้ตอบกับผู้ใช้ และรองรับหลายอินสแตนซ์ที่ตั้งชื่อแยกกัน ทำให้สามารถเรียกใช้ Codex subagents หลายชุดที่มีการตั้งค่าแตกต่างกันในเวิร์กโฟลว์เดียว 24

เทอร์มินัล Windows คงสถานะของเชลล์ไว้ได้

เทอร์มินัล Windows PTY รองรับ PowerShell session แบบคงสถานะ โดยเปิดใช้งานเป็นค่าเริ่มต้นใน minimal preset คำสั่งที่รันต่อเนื่องกันจึงไม่จำเป็นต้องสร้างสถานะของเชลล์ใหม่ทุกครั้ง 2

การเรียกใช้เครื่องมือมีความสามารถมากขึ้น

รุ่นนี้ปรับปรุงการเรียกใช้เครื่องมือหลายส่วน เช่น การเรียก web_search พร้อมกัน การปลุกงานหลักให้ทำงานต่อเมื่อ subagent ส่งรายงานกลับมา การเปิดเบราว์เซอร์ในเครื่องโดยอัตโนมัติเมื่อใช้ dsh web รวมถึงการเพิ่มประสิทธิภาพของการ fork เซสชันขนาดใหญ่และการจัดเก็บข้อมูลด้วย SQLite 24

แก้ปัญหาภาพ การสตรีม และเกตเวย์

RC.8 แก้ข้อผิดพลาดของคำขอที่เกิดจากภาพเดี่ยวมีขนาดใหญ่เกินไป หรือมีภาพสะสมในประวัติการสนทนามากเกินไป นอกจากนี้ยังรักษาคำนำหน้าคำตอบไว้ได้เมื่อยกเลิกการตอบแบบสตรีมแล้วสนทนาต่อหรือ fork เซสชัน รวมถึงปรับปรุงการทำงานร่วมกับ custom gateway ที่เข้ากันได้กับ OpenAI API ซึ่งอาจมีรูปแบบคำขอแตกต่างกันหรือไม่ส่งคืนข้อมูล inference content 24

เมื่อรวมกันแล้ว การอัปเดตนี้จึงไม่ใช่เพียงฟีเจอร์อัปโหลดรูปภาพ แต่เป็นการทำให้ภาพมีบทบาทในขั้นตอนตั้งเป้าหมาย วางแผน เก็บประวัติเซสชัน และมอบหมายงาน ขณะเดียวกันรันไทม์ก็รับมือกับเซสชันยาวและงานที่ใช้เครื่องมือจำนวนมากได้ดีขึ้น 213

“Tool-layer vision” ช่วยโมเดลข้อความล้วนดูภาพอย่างไร

หากโมเดลที่เลือกไม่ได้ประกาศว่ารองรับอินพุตภาพ Harness สามารถใช้เครื่องมือแปลงภาพให้เป็นหลักฐานเชิงข้อความและข้อมูลแบบมีโครงสร้าง กระบวนการที่มีการรายงานไว้ประกอบด้วย OCR พร้อมพิกัดข้อความ สถิติอัตราส่วนสี การสแกนแถวพิกเซลบางส่วน ขนาดภาพ และข้อมูลเมทาดาทาเกี่ยวกับโหมดสี จากนั้นจึงส่งหลักฐานเหล่านี้ให้โมเดลข้อความใช้ประกอบการให้เหตุผล 12

โมเดลไม่ได้รับ “พื้นที่ภาพต้นฉบับ” ในแบบเดียวกับโมเดล vision ที่รองรับภาพโดยตรง แต่กำลังวิเคราะห์ผลการวัดและคำอธิบายที่ถูกสกัดออกมา จึงเป็นทางเลือกสำรองที่ใช้งานได้ แต่มีข้อมูลสูญหายระหว่างทาง

งานที่วิธีนี้เหมาะกว่า

Tool-layer vision เหมาะกับภาพที่มีโครงสร้างและสามารถดึงข้อมูลออกมาได้ค่อนข้างชัดเจน เช่น

• ภาพหน้าจอแอปพลิเคชันและอินเทอร์เฟซผู้ใช้
• ภาพหน้าจอสไลด์หรือพรีเซนเทชัน
• ผังงาน ไดอะแกรม และกราฟิกเรียบง่าย
• ภาพที่มีข้อความจำนวนมาก จัดวางเป็นระเบียบ และมีคอนทราสต์ชัดเจน 2

งานเหล่านี้มักอาศัยข้อความที่อ่านได้ ตำแหน่ง การจัดแนว ขอบเขต สี หรือสัญญาณอื่น ๆ ที่ OCR และการตรวจสอบพิกเซลแบบเจาะจงพอจะเก็บได้

งานที่ยังต้องใช้ native vision

แนวทางนี้มีข้อจำกัดชัดเจนเมื่อใช้กับภาพถ่าย การจำแนกวัตถุแบบละเอียด สไตล์ภาพ บริบทที่ละเอียดอ่อน หรือความสัมพันธ์ของวัตถุและฉากที่ซับซ้อน เพราะ OCR และสถิติจากพิกเซลบางส่วนไม่สามารถสร้างรายละเอียดทั้งหมดที่จำเป็นต่อการวิเคราะห์ประเภทนี้ได้อย่างน่าเชื่อถือ 12

หลักใช้งานจึงค่อนข้างตรงไปตรงมา: ใช้โมเดล native vision เมื่อต้องการ “เข้าใจภาพ” อย่างแท้จริง และใช้ tool-layer vision เพื่อดึงหลักฐานเฉพาะจุดหรือเป็นทางเลือกสำรองเมื่อโมเดลหลักเป็นข้อความล้วน วิธีนี้ช่วยอ่านข้อความ ตรวจสอบสีเด่น หาเส้นขอบเรียบง่าย หรือยืนยันความแตกต่างระดับพิกเซลของอินเทอร์เฟซได้ แต่ไม่ควรตีความว่าผลลัพธ์เทียบเท่าการให้โมเดล vision วิเคราะห์ภาพโดยตรง 23

ปลั๊กอินชุมชนที่ช่วยต่อยอดเวิร์กโฟลว์ภาพ

ก่อนมีการรองรับแบบ native ใน RC.8 ชุมชนก็พัฒนาเครื่องมือหลายแนวทางเพื่อให้เอเจนต์ Harness ที่ใช้โมเดลข้อความล้วนเข้าถึงหลักฐานด้านภาพได้ ตัวเลือกที่มีการรายงาน ได้แก่ dsh-vision, dsh-vision-toolkit และ modlens รวมถึงปลั๊กอิน OCR ในเครื่องและบริดจ์ pseudo-vision อื่น ๆ 1023

ตัวอย่างที่สะท้อนแนวทางการออกแบบมีดังนี้

• ModLens ส่งคืนหลักฐานแบบมีโครงสร้างเกี่ยวกับ OCR, เลย์เอาต์, เอนทิตี และความสัมพันธ์ เพื่อให้โมเดลข้อความล้วนนำไปวิเคราะห์ต่อ 18
• dsh-vision-toolkit มุ่งเน้น OCR จากภาพหน้าจอยาว การระบุตำแหน่งองค์ประกอบ การสร้าง UI ขึ้นใหม่ และการเปรียบเทียบพิกเซล 1821

ปลั๊กอินเหล่านี้ทำงานเสริม ไม่ได้มาแทนที่เส้นทางส่งภาพแบบ native ของ RC.8 โมเดล vision ที่เข้ากันได้สามารถรับภาพโดยตรง ขณะที่ปลั๊กอินช่วยเพิ่มเครื่องมือเฉพาะทางด้าน OCR เลย์เอาต์ พิกเซล หรือโมเดลภายนอก ส่วนโมเดลข้อความล้วนก็สามารถให้เหตุผลจากหลักฐานที่ถูกสกัดออกมาได้ การแยกบทบาทเช่นนี้ทำให้นักพัฒนาเลือกได้ว่าจะใช้การรับรู้ภาพที่เข้มข้นจากโมเดลโดยตรง หรือใช้ผลลัพธ์จากเครื่องมือที่ตรวจสอบย้อนกลับได้ง่ายกว่า