AnswersPublished18 sources
DeepSeek V4 Pro і Harness: чому середовище агента може бути важливішим за саму модель
13 серпня 2026 року DeepSeek представила V4 Pro та DeepSeek Harness v0.1 — попередню версію середовища для розробників під ліцензією MIT. Harness відокремлює модель від інструментів, пам’яті, сховища, циклу виконання, пісочниці, планувальника та інтерфейсу через плагінну архітектуру Cordis.
ОпублікувавВідредаговано за допомогою GPT-5.6 LunaЗображення створено за допомогою GPT Image 1.5
Research answer
Key takeaways
- 13 серпня 2026 року DeepSeek представила V4 Pro та DeepSeek Harness v0.1 — попередню версію середовища для розробників під ліцензією MIT.
- Harness відокремлює модель від інструментів, пам’яті, сховища, циклу виконання, пісочниці, планувальника та інтерфейсу через плагінну архітектуру Cordis.
- У тестах Composio одна й та сама модель DeepSeek V4 Flash успішно виконала від 14 до 20 із 30 завдань залежно від harness.
- Журнали сесій із можливістю відновлення, розгалуження, пошуку та повторного відтворення створюють основу для перевірюваної ітеративної розробки.
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
13 серпня 2026 року DeepSeek зробила одразу дві заяви про майбутнє своїх AI-продуктів: представила офіційну версію DeepSeek V4 Pro, орієнтовану на агентні сценарії, та випустила DeepSeek Harness v0.1 — попередню версію інструментарію для розробників, які створюють і змінюють середовища роботи AI-агентів. 32
20
На перший погляд це просто реліз нової моделі та ще одного програмного продукту. Але стратегічний сигнал ширший: у реальних агентних сценаріях результат визначає не лише мовна модель. Важливо й те, яка система надає їй контекст, інструменти, пам’ять, правила виконання, механізми відновлення після помилок та оцінювання.
Два релізи, одна стратегія
Harness поширюється під назвою dsh і не позиціонується як готова заміна для продуктів на кшталт Claude Code або Codex. Це інфраструктура для розробників, які будують власні agent runtime — середовища, що перетворюють відповідь моделі на тривалий процес із використанням інструментів і виконанням багатокрокових завдань. 32
20
Вибір ліцензії MIT має практичне значення. Відкритий код можна перевіряти, змінювати та розширювати, а сама архітектура задумана як незалежна від конкретної моделі. Тобто розробник не обов’язково має прив’язувати весь стек до одного постачальника. 22
28
Один DeepSeek, вісім різних результатів
Саме тут особливо важливими стають результати тестування Composio. Компанія запустила одну й ту саму модель DeepSeek V4 Flash через вісім різних harness на 30 багатокрокових завданнях. Із 240 запусків успішними були 129 — загальний показник становив 53,8%. Лише шість із 30 робочих процесів завершилися успішно в усіх протестованих середовищах. 3
Різниця між системами виявилася помітною:
- Pi Agent виконав 20 із 30 завдань;
- Oh My Pi — 17 із 30;
- Claude Code, Codex і DeepAgents — по 16 із 30;
- Hermes Agent — 15 із 30;
- OpenCode — 14 із 30.
Відрізнялися й орієнтовні витрати на одне успішне завдання: близько $0,195 для Claude Code, $0,081 для Codex та $0,045 для DeepAgents. Для Pi Agent Composio наводила показник близько $0,028, хоча такі цифри потрібно розглядати з урахуванням методології тесту та різної поведінки кожного runtime. 3
Це не універсальний рейтинг агентних продуктів. Дослідження не доводить, що один harness завжди кращий за інший. Воно показує вужчу, але важливу річ: бенчмарки самих моделей уже не описують повну картину продуктивності агента.
Практичнішою одиницею порівняння стає конфігурація «модель плюс harness».
«Усе — плагін»: як влаштований DeepSeek Harness
Harness побудований на Cordis — фреймворку, у якому можливості середовища підключаються як плагіни. В архітектурній документації DeepSeek зазначено, що замінними компонентами є адаптер моделі, реєстр інструментів, журнал сесії та сам агентний цикл. 17
Плагінні межі також охоплюють:
- адаптери моделей і провайдерів;
- інструменти та навички;
- сесії та сховище;
- пісочниці й середовища виконання;
- планування та координацію субагентів;
- агентний цикл;
- користувацький інтерфейс.
Таке розділення відокремлює мовну модель від механізмів, які дають їй змогу працювати з файлами, викликати інструменти, зберігати стан і продовжувати довгі завдання. Розробник може змінити спосіб збирання контексту, обробки помилок, збереження даних або взаємодії з користувачем, не переписуючи весь runtime. 17
20
Тому формула «все є плагіном» — не просто опис способу пакування. Вона переносить увагу на рівень між моделлю та робочим середовищем, де й відбувається значна частина практичних експериментів.
Журнали траєкторій як основа для вдосконалення
За словами DeepSeek, Harness записує в журнал усе, що модель бачить і робить. Це append-only журнал — дані до нього додаються послідовно, а не перезаписуються. Він містить системні інструкції, міркування, виклики інструментів і їхні результати, планування субагентів та ін’єкції контексту. У режимі Trajectory можна переглядати цей потік подій, а відновлення, розгалуження, пошук і повторне відтворення працюють на основі того самого запису. 22
Для розробників це дає кілька переваг:
- Зручніше знаходити помилки. Невдачу можна аналізувати як послідовність змін контексту та дій, а не лише як неправильну фінальну відповідь.
- Легше відтворювати експерименти. Робочий процес можна повторно запустити після зміни промпту, інструмента чи плагіна.
- Можна створювати відгалуження. Траєкторію можна розділити й перевірити альтернативну стратегію, не втрачаючи оригінальний запуск.
- З’являються дані для оцінювання. Успішні та невдалі траєкторії можуть стати матеріалом для тестування нових правил, інструментів і агентних циклів.
У теорії це створює цикл постійного вдосконалення: запустити завдання, переглянути траєкторію, знайти причину збою, змінити плагін, повторити запуск і зберегти результат.
Однак система, яка записує та відтворює траєкторії, автоматично не стає системою самонавчання. Наявні дані підтверджують, що Harness може бути перевірюваною основою для ітеративної розробки, але не доводять надійного автономного самовдосконалення. 22
Пам’ять і саморозвиток: важливе уточнення
В екосистемі Harness уже з’явилися сторонні проєкти, які заявляють про довготривалу пам’ять між сесіями та фоновий саморозвиток. 18
19
Вони показують, що плагінна архітектура може підтримувати історію проєкту, самоперевірку, керування навичками та збереження даних між сесіями. Але це не означає, що базовий Harness v0.1 уже безпечно або універсально забезпечує безперервне самовдосконалення.
Для використання в робочих або корпоративних системах командам доведеться окремо перевірити зберігання даних, дозволи, ізоляцію пісочниці, роботу з обліковими даними, можливість відкату змін і ризики, пов’язані з тим, що автоматизована система може змінювати власні інструменти чи процедури.
Ставка DeepSeek на «точку входу» для розробників
На рівні моделей DeepSeek конкурує через V4 Pro та V4 Flash. Harness дає компанії змогу впливати на інший рівень — той, де розробники визначають, як саме ці моделі використовуватимуться.
Цей рівень відповідає за те:
- яку модель обрати;
- як зібрати та стиснути контекст;
- які інструменти й дозволи надати;
- як відновити тривалу роботу;
- як виявляти та виправляти помилки;
- як оцінювати траєкторії;
- які плагіни стануть частиною робочого процесу агента.
Відкритий runtime заохочує сторонніх розробників створювати адаптери, інструменти, системи пам’яті та готові сценарії навколо архітектури DeepSeek. Водночас компанія може залишатися впливовою на рівні, де формується основний досвід розробника, навіть якщо Harness підтримує кількох постачальників моделей.
Це потенційно стійкіша позиція, ніж конкуренція лише за параметри моделей або ціни API. Адже той, хто контролює середовище виконання, впливає на весь ланцюжок — від вибору моделі до оцінювання її роботи.
Чи може Harness допомогти створювати кращий AI?
Модульна архітектура й журнали траєкторій створюють основу для AI-assisted development — розробки, у якій сам агент допомагає вдосконалювати інструменти для агентів.
У такому циклі агент може допомогти створити плагін, проаналізувати невдалу траєкторію, запропонувати зміну, запустити оцінювання та зберегти історію експериментів. Але це варто трактувати як інфраструктуру для інженерного циклу зворотного зв’язку, а не як доказ того, що DeepSeek уже створила завершеного агента, здатного надійно навчатися самостійно.
Чому позначка v0.1 має значення
Статус developer preview — ключова частина цього релізу. Він означає запрошення до експериментів і спільної розробки, але також попереджає: API, інтеграції, механізми безпеки та операційна поведінка системи ще можуть змінюватися. 20
Тому Harness варто оцінювати як відкритий фреймворк і платформу для досліджень, а не як готовий продукт із рівнем надійності та захисту зрілих coding-agent систем.
Висновок
Серпневі оголошення DeepSeek поєднали реліз моделі зі стратегією розвитку інфраструктури. V4 Pro дає компанії флагманську модель для агентних завдань, а Harness відкриває runtime, який визначає, як модель працюватиме з інструментами, контекстом, пам’яттю та довгими процесами. 32
20
Результати Composio пояснюють, чому це важливо: одна й та сама DeepSeek V4 Flash виконала від 14 до 20 тестових завдань залежно від harness, а витрати на успішний запуск також суттєво різнилися. 3
Плагінна архітектура Harness і детальні траєкторії дають DeepSeek переконливу основу для експериментів, оцінювання та AI-assisted engineering. Вони ще не доводять надійного безперервного навчання, але можуть зробити рівень harness одним із головних полів конкуренції на наступному етапі розвитку AI-агентів.
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 і Harness: чому середовище агента може бути важливішим за саму модель"?
13 серпня 2026 року DeepSeek представила V4 Pro та DeepSeek Harness v0.1 — попередню версію середовища для розробників під ліцензією MIT.
What are the key points to validate first?
13 серпня 2026 року DeepSeek представила V4 Pro та DeepSeek Harness v0.1 — попередню версію середовища для розробників під ліцензією MIT. Harness відокремлює модель від інструментів, пам’яті, сховища, циклу виконання, пісочниці, планувальника та інтерфейсу через плагінну архітектуру Cordis.
What should I do next in practice?
У тестах Composio одна й та сама модель DeepSeek V4 Flash успішно виконала від 14 до 20 із 30 завдань залежно від harness.