Was ist DeepSeek Harness? Ein Leitfaden
Updated August 16, 2026 · first published August 16, 2026
DeepSeek Harness — Paketname dsh — ist ein quelloffenes Agenten-Harness von DeepSeek AI unter MIT-Lizenz. Dies ist die Fassung ohne Vorwissen: was es ist, wie man es startet, wie es aufgebaut ist und ob es Sie etwas angeht.
Was ein Agenten-Harness überhaupt ist
Ein Modell erzeugt Text und Werkzeugaufrufe. Mehr nicht. Alles Übrige, was einen Agenten nützlich macht, ist das Harness: den Prompt zusammensetzen, die angeforderten Werkzeuge tatsächlich ausführen, durchsetzen was erlaubt ist, protokollieren was geschah, die Schleife steuern, die über einen weiteren Modellaufruf entscheidet, und Arbeit an Unteragenten abgeben.
Diese Unterscheidung lohnt sich vor allem anderen, denn das meiste, was ein Agent gut oder schlecht macht, ist Verhalten des Harness und nicht des Modells. Zwei Teams mit demselben Modell erhalten sehr unterschiedliche Ergebnisse und sehr unterschiedliche Rechnungen — der Unterschied wohnt hier.
Was DeepSeek Harness tut
Es betreibt Coding- und Automatisierungsagenten. Konkret liest und bearbeitet der Agent Dateien, führt Shell-Befehle aus, durchsucht die Codebasis, delegiert an Unteragenten, plant Arbeit und fragt gemäß der aktiven Berechtigungsrichtlinie nach. Es gibt eine Browser-Oberfläche, einen Headless-Modus für Einzelläufe und einen Automatisierungsserver, der JSON-RPC über Standardein- und -ausgabe spricht.
Die eine Entwurfsidee: alles ist ein Plugin
Das Harness läuft auf Cordis, einer Plugin-Laufzeit, in der Plugins Dienste, typisierte Ereignisse und umkehrbare Effekte in einen gemeinsamen Kontext einbringen. Es gibt keinen privilegierten Kern. Der Modelladapter ist ein Plugin. Die Werkzeugregistrierung ist ein Plugin. Das Sitzungsprotokoll ist ein Plugin. Die Agentenschleife selbst ist ein Plugin.
Die meisten erweiterbaren Systeme geben Ihnen einen festen Kern plus Hooks: beobachten und dekorieren ja, ersetzen nein — und Ersetzen heißt Forken. Eine Plugin-Laufzeit dreht das um: genau die Teile, die man am ehesten austauschen möchte, sind die Einheiten der Komposition.
Zum Laufen bringen
Der schnelle Weg
npx @deepseek-ai/dsh webDas startet eine lokale Weboberfläche unter http://127.0.0.1:3080.
Aus dem Quellcode
git clone https://github.com/deepseek-ai/deepseek-harness
cd deepseek-harness
pnpm install
pnpm run build
pnpm dsh webVoraussetzungen: Node 22.19 oder neuer (die CI deckt 22.19, 24 und 26 ab), Git 2.26 oder neuer und pnpm über Corepack festgelegt. Ein DeepSeek-API-Schlüssel ist bei der Installation optional, für sinnvolle Arbeit aber nötig; er kann aus der Umgebung oder aus einer gitignorierten .env im Wurzelverzeichnis kommen.
Die zwei Schritte, die alle übersehen
- Einstellungen → Modelle. API-Schlüssel eintragen. Die Route wird sofort aktiv, ohne Neustart.
- Arbeitsbereich wählen. Projektverzeichnis hinzufügen und aktivieren. Der Sitzungs-Composer bleibt gesperrt, solange kein Arbeitsbereich aktiv ist — der übliche Grund, warum eine frische Installation defekt aussieht.
Headless
pnpm dsh --profile headless "summarize this workspace"Das ist der Modus, auf den es bei Automatisierung ankommt: ein Harness, das nur interaktiv funktioniert, lässt sich nicht in die CI stellen, und was nicht in der CI läuft, lässt sich nicht regelmäßig messen.
Die Begriffe, die Sie für die Doku brauchen
| Begriff | Bedeutung |
|---|---|
| Schritt (step) | Ein Modellaufruf plus die davon ausgelösten Werkzeugaufrufe |
| Zug (turn) | Ein Leeren der Eingabe, beendet wenn das Modell stoppt oder die Richtlinie eingreift |
| Runde (round) | Eine äußere Richtlinien-Iteration über Zügen, etwa ein neuer Anlauf auf ein Ziel |
| Sitzung (session) | Ein reines Anhänge-Protokoll typisierter Ereignisse — die alleinige Wahrheitsquelle des Laufs |
| Fähigkeitsnaht | Eine Dienstschnittstelle mit mehreren austauschbaren Implementierungen |
| Profil | Eine benannte Komposition: geordnete Liste von Plugin-Bündeln plus eigene Patches |
| Scope | Die Registrierungseinheit pro Agent für Werkzeuge, Prompts und Einschränkungen |
Die Konfiguration löst in vier Schichten auf, spätere gewinnen: Profil-Bündel, dann Profil-Patches, dann Patches auf Home-Ebene, dann Overlays von der Kommandozeile. Wer diese Reihenfolge kennt, verwandelt „warum nimmt es dieses Modell?“ von einer Untersuchung in ein Nachschlagen.
Was daran bemerkenswert ist
- Die Modellwahl ist austauschbar. Der Modelldienst ist eine Schnittstelle mit mehreren Backends, darunter eines, das eine aufgezeichnete Sitzung wiedergibt, ohne erneut für Inferenz zu zahlen. Die Agentenschleife konsumiert einen anbieterneutralen Strom und erfährt nie, welches Backend aktiv ist.
- Die Aufzeichnung ist konstruktionsbedingt vollständig. Der Leitsatz lautet: was für das Modell sichtbar ist, wird protokolliert. Der Tokenverbrauch reist an der Ausgabe mit, die ihn verursacht hat.
- Die Durchsetzungspunkte sind explizit. Einer vor dem Absenden der Modellanfrage, dessen Entscheidung als maßgeblich dokumentiert ist, und einer vor der Ausführung jedes Werkzeugrumpfs. Berechtigungswächter können ablehnen oder sich enthalten, aber niemals gewähren; eine unbeantwortbare Freigabeanfrage lehnt ab.
- Es läuft headless. Also skriptbar, planbar und messbar.
Der Plugin-Anspruch ist nicht bloß Positionierung: eine der mitgelieferten Demos ist selbstbezüglich und inspiziert und verändert ihre eigene laufende Plugin-Laufzeit. Das lässt sich schwer vortäuschen.
Wann einsetzen — und wann nicht
Setzen Sie es ein zum Evaluieren, zum Prototyping und als konkreten Maßstab für den Agenten-Stack, den Sie ohnehin betreiben. Die fünf Fragen, die Sie mitnehmen sollten: Ist die Modellwahl austauschbar? Gibt es eine vollständige Sitzungsaufzeichnung mit angehängtem Verbrauch? Existieren Durchsetzungspunkte vor dem Modellaufruf und vor der Werkzeugausführung? Läuft es headless? Ist die Konfigurationsschichtung dokumentiert?
Standardisieren Sie nicht in diesem Quartal darauf. Das Projekt bezeichnet sich selbst als Developer Preview und sagt deutlich, dass es kompatibilitätsbrechende Änderungen geben wird. Fixieren Sie die Version, gegen die Sie bauen, und planen Sie keine Produktionsmigration auf einer Preview-API.
Was der Betrieb kostet
Das Harness ist MIT-lizenziert und kostenlos. Inferenz nicht. Sie liefern einen DeepSeek-API-Schlüssel oder richten die Modellnaht auf einen anderen Anbieter. Praktisch heißt das: Ihre Rechnung ist eine Funktion von Schritten pro Zug, Werkzeugen im Katalog, Delegationstiefe und der Zahl der Runden, die ein offenes Ziel laufen darf — allesamt Entscheidungen auf Harness-Ebene, keine davon der ausgehandelte Tokenpreis.
Related
- Installation, Profile und erster Lauf (EN)
- Was „alles ist ein Plugin“ wirklich bringt (EN)
- Das Sitzungsprotokoll als Kostennachweis (EN)
- Wo Ausgaben-Leitplanken hingehören (EN)
Want this applied to your own LLM spend? FinOps LLM runs a free audit of your AI costs and shows where the savings are. Book free audit →