¿Qué es DeepSeek Harness? Guía completa
Updated August 16, 2026 · first published August 16, 2026
DeepSeek Harness — nombre de paquete dsh — es un harness de agentes de código abierto publicado por DeepSeek AI con licencia MIT. Esta es la versión en lenguaje llano: qué es, cómo ejecutarlo, cómo está construido y si debería importarle.
Qué es en realidad un harness de agentes
Un modelo genera texto y llamadas a herramientas. Eso es todo lo que hace. Todo lo demás que vuelve útil a un agente es el harness: montar el prompt, ejecutar de verdad las herramientas que el modelo pidió, imponer lo que tiene permitido hacer, registrar lo que ocurrió, gobernar el bucle que decide si se vuelve a llamar al modelo, y delegar trabajo en subagentes.
Conviene interiorizar esta distinción antes que nada, porque casi todo lo que un agente hace bien o mal es comportamiento del harness y no del modelo. Dos equipos con el mismo modelo obtienen resultados muy distintos y facturas muy distintas, y la diferencia vive aquí.
Qué hace DeepSeek Harness
Ejecuta agentes de programación y automatización. En la práctica el agente lee y edita archivos, ejecuta comandos de shell, busca en el código, delega en subagentes, planifica trabajo y pide confirmación según la política de permisos activa. Hay una interfaz de navegador, un modo headless para ejecuciones únicas y un servidor de automatización que habla JSON-RPC por entrada y salida estándar.
La única idea de diseño: todo es un plugin
El harness corre sobre Cordis, un runtime de plugins donde cada plugin aporta servicios, eventos tipados y efectos reversibles a un contexto compartido. No hay núcleo privilegiado. El adaptador del modelo es un plugin. El registro de herramientas es un plugin. El registro de sesión es un plugin. El propio bucle del agente es un plugin.
La mayoría de los sistemas extensibles ofrecen un núcleo fijo más hooks: puede observar y decorar, pero no sustituir, y sustituir significa bifurcar. Un runtime de plugins invierte eso: las piezas que más querría reemplazar son justamente las unidades de composición.
Ponerlo en marcha
La vía rápida
npx @deepseek-ai/dsh webEso levanta una interfaz web local en http://127.0.0.1:3080.
Desde el código fuente
git clone https://github.com/deepseek-ai/deepseek-harness
cd deepseek-harness
pnpm install
pnpm run build
pnpm dsh webRequisitos: Node 22.19 o superior (la CI cubre 22.19, 24 y 26), Git 2.26 o superior y pnpm fijado con Corepack. Una clave de API de DeepSeek es opcional al instalar pero necesaria para hacer algo útil; puede venir del entorno o de un .env ignorado por git en la raíz del repositorio.
Los dos pasos que todos se saltan
- Ajustes → Modelos. Introduzca su clave de API. La ruta se habilita al momento, sin reiniciar.
- Elegir espacio de trabajo. Añada y active el directorio de su proyecto. El compositor de sesión sigue deshabilitado hasta que haya un espacio activo, que es la razón habitual por la que una instalación recién hecha parece rota.
Headless
pnpm dsh --profile headless "summarize this workspace"Este es el modo que importa para la automatización, porque un harness que solo funciona de forma interactiva no se puede meter en CI, y lo que no está en CI no se puede medir con una cadencia.
El vocabulario para leer la documentación
| Término | Significado |
|---|---|
| Paso (step) | Una petición al modelo más las llamadas a herramientas que produce |
| Turno (turn) | Un vaciado de la entrada, que termina cuando el modelo se detiene o interviene la política |
| Ronda (round) | Una iteración de política por encima de los turnos, como un nuevo intento sobre un objetivo |
| Sesión | Un registro de solo anexado de eventos tipados: la única fuente de verdad de la ejecución |
| Costura de capacidad | Una interfaz de servicio con varias implementaciones intercambiables |
| Perfil | Una composición con nombre: lista ordenada de bundles de plugins más sus parches |
| Scope | La unidad de registro por agente para herramientas, prompts y restricciones |
La configuración se resuelve en cuatro capas, ganando la posterior: bundles del perfil, luego parches del perfil, luego parches a nivel de home, luego overlays de línea de comandos. Conocer ese orden convierte «por qué está usando ese modelo» de una investigación en una consulta.
Por qué merece una mirada
- El modelo es intercambiable. El servicio de modelo es una interfaz con varios backends detrás, incluido uno que reproduce una sesión grabada sin volver a pagar inferencia. El bucle del agente consume un flujo neutral respecto al proveedor y nunca sabe qué backend está activo.
- El registro es completo por construcción. El principio rector es que lo visible para el modelo queda registrado, porque el registro tiene que poder reconstituir la ejecución. El consumo de tokens viaja adherido a la salida que lo causó.
- Los puntos de imposición son explícitos. Uno antes de que salga la petición al modelo, cuya decisión está documentada como autoritativa, y otro antes de que se ejecute el cuerpo de cualquier herramienta. Los guardas de permisos pueden denegar o abstenerse, nunca conceder, y una aprobación incontestable deniega.
- Funciona headless. Lo que significa que se puede guionizar, programar y medir.
La afirmación sobre los plugins no es solo posicionamiento: una de las demos incluidas es autorreferencial e inspecciona y modifica su propio runtime de plugins en caliente. Eso es difícil de fingir.
Cuándo usarlo y cuándo no
Úselo para evaluar, para prototipar y como referencia concreta frente al stack de agentes que ya opera. Las cinco preguntas que conviene llevarse: ¿es intercambiable la elección de modelo?, ¿hay un registro de sesión completo con el consumo adjunto?, ¿existen puntos de imposición antes de la llamada al modelo y antes de ejecutar herramientas?, ¿funciona headless?, ¿está documentada la superposición de configuración?
No estandarice sobre él este trimestre. El proyecto se describe como developer preview y afirma sin rodeos que habrá cambios que rompen compatibilidad. Fije la versión contra la que construya y no planifique migraciones de producción sobre una API en preview.
Cuánto cuesta operarlo
El harness es MIT y gratuito. La inferencia no. Usted aporta una clave de API de DeepSeek o apunta la costura de modelo a otro proveedor. La implicación práctica es que su factura es función de los pasos por turno, las herramientas del catálogo, la profundidad de delegación y cuántas rondas puede correr un objetivo abierto: todas decisiones de nivel harness, ninguna de ellas el precio por token que negoció.
Related
- Instalación, perfiles y primera ejecución (EN)
- Qué aporta de verdad «todo es un plugin» (EN)
- El registro de sesión como registro de costes (EN)
- Dónde poner los límites de gasto (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 →