O que é DeepSeek Harness? Guia completo

Updated August 16, 2026 · first published August 16, 2026

O DeepSeek Harness — nome de pacote dsh — é um harness de agentes de código aberto publicado pela DeepSeek AI sob licença MIT. Esta é a versão sem pré-requisitos: o que é, como executar, como está montado e se deve interessar a você.

O que é, de fato, um harness de agentes

Um modelo gera texto e chamadas de ferramenta. É só isso que ele faz. Todo o resto que torna um agente útil é o harness: montar o prompt, executar de verdade as ferramentas pedidas, impor o que ele tem permissão de fazer, registrar o que aconteceu, conduzir o laço que decide se o modelo será chamado de novo, e delegar trabalho a subagentes.

Vale internalizar essa distinção antes de qualquer outra coisa, porque a maior parte do que um agente faz bem ou mal é comportamento do harness e não do modelo. Duas equipes rodando o mesmo modelo obtêm resultados muito diferentes e contas muito diferentes, e a diferença mora aqui.

O que o DeepSeek Harness faz

Ele executa agentes de programação e automação. Na prática o agente lê e edita arquivos, roda comandos de shell, busca no código, delega a subagentes, planeja trabalho e pede confirmação conforme a política de permissões ativa. Há uma interface de navegador, um modo headless para execuções únicas e um servidor de automação que fala JSON-RPC pela entrada e saída padrão.

A única ideia de projeto: tudo é um plugin

O harness roda sobre o Cordis, um runtime de plugins em que plugins contribuem serviços, eventos tipados e efeitos reversíveis para um contexto compartilhado. Não existe núcleo privilegiado. O adaptador de modelo é um plugin. O registro de ferramentas é um plugin. O log de sessão é um plugin. O próprio laço do agente é um plugin.

A maioria dos sistemas extensíveis oferece um núcleo fixo mais hooks: dá para observar e decorar, não para substituir — e substituir significa forkar. Um runtime de plugins inverte isso: as peças que você mais gostaria de trocar são justamente as unidades de composição.

Colocando para rodar

O caminho rápido

npx @deepseek-ai/dsh web

Isso sobe uma interface web local em http://127.0.0.1:3080.

A partir do código

git clone https://github.com/deepseek-ai/deepseek-harness
cd deepseek-harness
pnpm install
pnpm run build
pnpm dsh web

Requisitos: Node 22.19 ou mais recente (a CI cobre 22.19, 24 e 26), Git 2.26 ou mais recente e pnpm fixado via Corepack. Uma chave de API da DeepSeek é opcional na instalação, mas necessária para fazer algo útil; pode vir do ambiente ou de um .env ignorado pelo git na raiz do repositório.

Os dois passos que quase todos pulam

1. Configurações → Modelos. Insira sua chave de API. A rota é habilitada na hora, sem reiniciar.
2. Escolher espaço de trabalho. Adicione e ative o diretório do seu projeto. O compositor de sessão fica indisponível enquanto não houver um espaço ativo — é o motivo habitual de uma instalação nova parecer quebrada.

Headless

pnpm dsh --profile headless "summarize this workspace"

É o modo que importa para automação, porque um harness que só funciona de forma interativa não entra em CI, e o que não está em CI não pode ser medido em cadência.

O vocabulário para ler a documentação

A configuração resolve em quatro camadas, vencendo a posterior: bundles do perfil, depois patches do perfil, depois patches no nível home, depois overlays de linha de comando. Conhecer essa ordem transforma «por que está usando esse modelo» de investigação em consulta.

Por que vale olhar

• A escolha do modelo é intercambiável. O serviço de modelo é uma interface com vários backends por trás, incluindo um que reproduz uma sessão gravada sem pagar inferência de novo. O laço do agente consome um fluxo neutro quanto ao fornecedor e nunca descobre qual backend está ativo.
• O registro é completo por construção. O princípio é que o que é visível ao modelo fica registrado, porque o log precisa conseguir reconstituir a execução. O consumo de tokens viaja anexado à saída que o causou.
• Os pontos de imposição são explícitos. Um antes de a requisição ao modelo sair, cuja decisão é documentada como autoritativa, e outro antes de o corpo de qualquer ferramenta executar. Guardas de permissão podem negar ou se abster, nunca conceder, e uma aprovação sem resposta possível nega.
• Roda headless. O que significa que pode ser roteirizado, agendado e medido.

A alegação sobre plugins não é só posicionamento: uma das demos entregues é autorreferente e inspeciona e modifica o próprio runtime de plugins em execução. Isso é difícil de forjar.

Quando usar e quando não

Use para avaliar, para prototipar e como referência concreta diante do stack de agentes que você já opera. As cinco perguntas que valem a viagem: a escolha de modelo é intercambiável, existe registro de sessão completo com consumo anexado, há pontos de imposição antes da chamada ao modelo e antes da execução de ferramentas, roda headless, e a estratificação de configuração está documentada?

Não padronize nele neste trimestre. O projeto se descreve como developer preview e afirma sem rodeios que haverá mudanças que quebram compatibilidade. Fixe a versão contra a qual você constrói e não agende migração de produção sobre uma API em prévia.

Quanto custa operar

O harness é MIT e gratuito. Inferência não é. Você fornece uma chave de API da DeepSeek, ou aponta a costura de modelo para outro fornecedor. A implicação prática é que sua conta é função dos passos por turno, das ferramentas no catálogo, da profundidade de delegação e de quantas rodadas um objetivo aberto pode correr — todas decisões de nível harness, nenhuma delas o preço por token que você negociou.

Related

• Instalação, perfis e primeira execução (EN)
• O que «tudo é um plugin» realmente entrega (EN)
• O log de sessão como registro de custos (EN)
• Onde colocar os limites 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 →

Back to research