Tutoriel DeepSeek Harness : bien démarrer avec l’agent IA open source le plus populaire

Pourquoi DeepSeek Harness est-il si populaire ?

DeepSeek Harness a très vite attiré l’attention, dépassant 160 000 étoiles GitHub et 18 000 forks au moment de la publication de cet article.

L’une des raisons majeures est que les développeurs obtiennent de très bons résultats avec différents modèles, pas seulement ceux de DeepSeek. Sur Reddit, de nombreux utilisateurs rapportent de bonnes performances avec des modèles comme Qwen3.8-27b, notamment pour le code et les tâches agentiques de longue haleine.

Autre atout : son autonomie et sa flexibilité. Les utilisateurs constatent que Harness peut dérouler des tâches en plusieurs étapes, se remettre d’erreurs, gérer de longs contextes et continuer sans intervention constante. Son design basé sur des plugins facilite aussi l’échange de modèles, l’ajout d’outils et la personnalisation du flux de travail, sans être enfermé dans une configuration unique.

Si vous hésitez entre Harness et ses concurrents déclarés, notre guide des alternatives à Claude Code compare sept options majeures côte à côte.

Fonctionnalités clés de DeepSeek Harness

Voici les principales fonctionnalités :

• Architecture basée sur des plugins : la plupart des composants de l’agent peuvent être étendus ou remplacés via des plugins, ce qui facilite la personnalisation.

• Interface Web locale : l’exécution de dsh web offre une interface dans le navigateur pour gérer modèles, sessions, espaces de travail, paramètres et agents.

• SDK Python : le deepseek-harness-sdk permet d’exécuter des agents Harness directement depuis des applications Python, scripts, tests et workflows d’automatisation.

• Multiples fournisseurs de modèles : vous n’êtes pas limité aux modèles DeepSeek. Vous pouvez utiliser des fournisseurs comme OpenAI et Anthropic, ou connecter votre propre endpoint compatible.

• Appels d’outils : les agents peuvent appeler des outils pour agir, et pas seulement générer du texte.

• Outils fichiers et terminal : Harness inclut des outils pour lire, rechercher et éditer des fichiers, ainsi que Bash sous Linux et macOS et PowerShell sous Windows.

• Recherche web intégrée : le fournisseur de recherche web de DeepSeek est inclus par défaut et utilise la même clé API DeepSeek que le modèle.

• Code Mode : Harness peut exposer les outils via un mode d’exécution orienté code, donnant à l’agent plus de contrôle sur la combinaison et l’exécution des appels d’outils.

• Trajectory : la vue Trajectory permet d’inspecter pas à pas l’activité de l’agent, incluant réponses du modèle, appels d’outils, activités imbriquées, temps et usage de tokens.

• Préréglages d’agents : vous pouvez créer différents agents avec leurs propres outils et prompts, puis les réutiliser dans plusieurs sessions.

• Statistiques de session : Harness suit des indicateurs utiles comme les tours, étapes, temps modèle, temps outil, temps jusqu’au premier token et temps de décodage.

• Sous-agents : un agent principal peut déléguer des parties d’une tâche à des agents enfants, utile pour des workflows plus complexes.

• Plugins communautaires : des plugins tiers ajoutent des capacités absentes du modèle de base. Dans ce guide, nous avons utilisé ModLens pour la vision.

• Licence MIT : DeepSeek Harness est open source et publié sous licence MIT permissive.

L’avantage majeur : vous n’êtes pas lié à un seul modèle, un seul ensemble d’outils ou un seul type d’agent. Vous pouvez démarrer avec la configuration par défaut puis ajouter ou remplacer progressivement des composants en expérimentant différents workflows.

Comment configurer DeepSeek Harness ?

Commençons par installer DeepSeek Harness et tout préparer pour la suite. Nous allons installer Node.js, DeepSeek Harness et pnpm, puis ajouter nos clés API.

Installer Node.js

DeepSeek Harness s’exécute sur Node.js. Comme nous utiliserons aussi ModLens pour la vision, je recommande Node.js 22.19 ou plus récent.

Sous Ubuntu ou Debian, vous pouvez installer Node.js avec :

curl -fsSL https://deb.nodesource.com/setup_22.x | sudo -E bash - && sudo apt-get install -y nodejs

Une fois installé, vérifiez que Node.js et npm fonctionnent :

node --version
npm --version

Sur ma machine, j’obtiens :

v24.19.0
11.17.0

Vous n’avez pas besoin d’avoir exactement les mêmes versions. Tant que vous utilisez une version récente de Node.js, c’est bon.

Installer DeepSeek Harness

Ensuite, installons DeepSeek Harness lui-même.

Le démarrage rapide officiel utilise npx, mais je préfère l’installer globalement pour pouvoir simplement utiliser la commande dsh tout au long du guide.

Exécutez :

npm install -g @deepseek-ai/dsh

Puis vérifiez que l’installation a réussi :

dsh --version

Au moment de mes tests, j’utilisais :

0.1.0-rc.7

Installer pnpm

Nous avons aussi besoin de pnpm. DeepSeek Harness l’utilise pour ajouter ou supprimer des plugins. Installez-le globalement :

npm install -g pnpm

Configurer les clés API

Pour ce tutoriel, il ne nous faut que deux clés API :

• Clé API DeepSeek : utilisée pour le modèle DeepSeek et la recherche web intégrée.
• Clé API Gemini : utilisée par ModLens pour la compréhension d’images.

Nous allons configurer la clé DeepSeek maintenant, car elle suffit pour le code et la recherche web, et ajouterons la clé Gemini plus tard quand nous activerons la vision avec ModLens.

Pour DeepSeek, vous devez créer un compte, générer une clé API et créditer votre compte. Pour ce guide, je recommande d’ajouter au moins 2 $ de crédit, largement suffisant pour tester les exemples sans avancer un gros montant.

Une fois la clé API obtenue, ajoutez-la à votre environnement.

Sous Linux ou macOS :

export DEEPSEEK_API_KEY="your_deepseek_api_key"

Sous Windows PowerShell :

$env:DEEPSEEK_API_KEY="your_deepseek_api_key"

Un avantage de cette configuration : pas besoin d’une API de recherche web séparée. DeepSeek Harness inclut déjà le fournisseur de recherche web de DeepSeek et utilise la même variable DEEPSEEK_API_KEY.

Vous pouvez aussi ajouter votre clé API DeepSeek plus tard via Settings → Models dans l’interface Web.

Comment démarrer DeepSeek Harness ?

Tout étant configuré, nous pouvons lancer DeepSeek Harness et ouvrir l’interface Web. Il suffit d’exécuter dsh web, qui démarre l’interface navigateur sur le port 3080 par défaut.

Vous verrez l’interface en ouvrant l’adresse http://127.0.0.1:3080 dans votre navigateur.

De là, créez un nouvel espace de travail ou sélectionnez-en un existant, démarrez une nouvelle session et choisissez le modèle DeepSeek que vous souhaitez utiliser.

Une fois la session prête, nous pouvons tester le code, la recherche web, la vision et la prise en charge de modèles tiers.

Utiliser DeepSeek Harness pour le code

Maintenant que DeepSeek Harness tourne, testons les capacités principales de notre configuration. Commençons par une tâche de code simple :

Create a simple Python calculator with a command-line interface.

DeepSeek Harness peut travailler directement avec les fichiers et le terminal, créer le fichier Python, éditer le code et exécuter des commandes dans l’espace de travail.

À la fin, vous devriez voir le fichier généré et les instructions pour l’exécuter.

Pour tirer davantage parti des modèles DeepSeek qui alimentent Harness, notre tutoriel DeepSeek V4 API détaille les modes de raisonnement V4 et les paramètres API en Python.

Utiliser DeepSeek Harness pour la recherche web

Testons maintenant la recherche web. Aucune configuration supplémentaire n’est requise, car DeepSeek Harness inclut déjà le fournisseur de recherche web de DeepSeek.

Essayez un prompt comme :

Search the web for the latest open-source AI model releases and summarize the top three as of August 18, 2026.

L’agent devrait rechercher sur le web et renvoyer un résumé avec les sources.

Pendant l’exécution, ouvrez l’onglet Trajectory. Vous devriez voir des appels d’outils comme SUBTOOL: web_search.

Cela montre que l’agent utilise réellement l’outil de recherche web au lieu de s’appuyer uniquement sur ses connaissances internes. Par défaut, la recherche est assurée par le fournisseur deepseek-official et utilise la même variable DEEPSEEK_API_KEY configurée plus tôt.

Utiliser DeepSeek pour les tâches de vision

Le modèle de chat de DeepSeek dans Harness est uniquement textuel, il ne comprend donc pas les images téléchargées nativement. Pour ajouter la vision, nous allons utiliser ModLens, qui fait le lien entre DeepSeek et un modèle compatible vision.

Installer le plugin ModLens

Quand vous téléversez une image, ModLens la traite avec un modèle de vision, en extrait les informations utiles, puis renvoie ces informations à DeepSeek pour le raisonnement.

Commencez par installer le plugin ModLens dans le profil web :

dsh plugin --profile web add @liustack/modlens@3.20.0

Une fois installé, ModLens ajoute l’outil modlens_read_image et crée des options de modèles comme « `DeepSeek-V4-Flash (modlens vision)` ».

Ces variantes permettent de téléverser des images tout en conservant DeepSeek comme modèle de raisonnement principal.

Enregistrer votre backend de vision

Dans ce guide, nous utiliserons l’API Gemini comme backend de vision, il vous faut donc une clé API Gemini. Vous pouvez commencer avec le Free Tier de l’API Gemini. Google propose un accès gratuit aux modèles pris en charge dans les limites du Free Tier, vous n’avez donc pas besoin d’ajouter un moyen de paiement pour tester la configuration de vision de ce guide.

Une fois votre clé obtenue, ajoutez-la à votre environnement.

Sous Linux ou macOS :

export GEMINI_API_KEY="your_gemini_api_key"

Sous Windows PowerShell :

$env:GEMINI_API_KEY="your_gemini_api_key"

Installer et configurer le CLI ModLens

Installez ensuite le CLI ModLens :

npm install -g @liustack/modlens

Puis configurez-le avec la clé API Gemini.

Sous Linux ou macOS :

modlens config set gemini-api.apiKey "$GEMINI_API_KEY"
modlens config set provider gemini-api

Sous Windows PowerShell :

modlens config set gemini-api.apiKey "$env:GEMINI_API_KEY"
modlens config set provider gemini-api

Enfin, vérifiez que tout fonctionne :

modlens doctor

Vous devriez voir gemini-api sélectionné comme fournisseur et indiqué comme prêt.

Tester DeepSeek Harness avec ModLens

Passons maintenant à la compréhension d’images.

Dans le sélecteur de modèles, choisissez une variante avec (modlens vision) dans le nom, par exemple DeepSeek-V4-Flash (modlens vision).

Collez ou téléversez une image, puis demandez : Explain what is shown in this image.

Comme dans l’exemple ci-dessus, DeepSeek peut désormais décrire et raisonner sur l’image téléversée.

En coulisses, ModLens envoie l’image à Gemini pour l’analyse visuelle et renvoie les informations extraites à DeepSeek. Ainsi, nous gardons DeepSeek comme modèle de raisonnement principal tout en n’utilisant Gemini que pour la partie vision.

Utiliser DeepSeek Harness avec un modèle tiers

Enfin, essayons un modèle d’un autre fournisseur. Ouvrez Settings → Models.

Ici, vous pouvez ajouter des fournisseurs comme OpenAI et Anthropic, ou configurer un autre fournisseur pris en charge avec vos propres identifiants API.

Vous pouvez aussi ajouter un fournisseur personnalisé pour connecter un modèle auto‑hébergé ou un endpoint compatible. Vous pourrez définir l’ID du fournisseur, l’URL de base, le type d’API, les identifiants et le nom du modèle.

Une fois le fournisseur ajouté, retournez dans votre session et sélectionnez le nouveau modèle dans le sélecteur.

Par exemple, essayez le prompt suivant :

Create a Python command-line to-do app that lets users add, list, complete, and delete tasks, with tasks saved locally in a JSON file.

L’exemple ci-dessus utilise un modèle tiers Kimi-K3 pour mener à bien la tâche de code, montrant que DeepSeek Harness n’est pas limité aux modèles DeepSeek.

Vous pouvez passer d’un modèle configuré à l’autre directement depuis le sélecteur, et le changement s’applique à votre prochaine requête sans redémarrer le serveur Harness.

Conclusion

Après avoir testé DeepSeek Harness, je continue de préférer Pi Coding Agent et OpenCode pour mes propres workflows.

DeepSeek Harness me rappelle beaucoup Pi Coding Agent, car tous deux reposent sur un écosystème de plugins. Vous pouvez installer différentes extensions et doter votre agent de capacités supplémentaires selon vos besoins. Cette flexibilité est utile, mais lors de mes tests, je ne comprends pas vraiment l’engouement autour de DeepSeek Harness. L’expérience globale m’a semblé assez classique par rapport à d’autres agents de code que j’utilise déjà.

J’ai aussi rencontré quelques irritants. Parfois, l’agent s’arrêtait au milieu d’une tâche sans m’expliquer pourquoi, et je devais taper continue pour le relancer. L’installation et la configuration des plugins étaient un autre point douloureux. Cela peut être assez complexe si vous ne savez pas exactement quoi faire, et la documentation n’aide pas beaucoup pour l’instant.

Cela dit, DeepSeek Harness est encore très récent, donc ces soucis se comprennent. Je m’attends à ce que l’expérience, la documentation et l’écosystème de plugins progressent rapidement. Il est aussi possible que DeepSeek construise un harness particulièrement optimisé pour ses propres modèles, ce qui pourrait expliquer une partie de l’enthousiasme.