DeepSeek Harness-tutorial: Aan de slag met de populairste open-source AI-agent

Waarom is DeepSeek Harness populair?

DeepSeek Harness kreeg razendsnel aandacht en behaalde meer dan 160.000 GitHub-sterren en 18.000 forks op het moment van publicatie van dit artikel. 

Een belangrijke reden is dat ontwikkelaars merken dat het sterke resultaten haalt uit verschillende modellen, niet alleen DeepSeek. Reddit-gebruikers melden regelmatig dat het succesvol is met modellen zoals Qwen3.8-27b, vooral voor coderen en langere agentische taken.

Een andere reden is de autonomie en flexibiliteit. Gebruikers geven aan dat Harness door meerstaps taken kan blijven werken, kan herstellen van fouten, lange contexten kan beheren en kan doorgaan zonder voortdurende tussenkomst. Het plugin-ontwerp maakt het bovendien eenvoudig om modellen te wisselen, tools toe te voegen en de agentworkflow aan te passen in plaats van vast te zitten aan één vaste setup.

Als je Harness afweegt tegen de tools waar het mee concurreert, vergelijkt onze gids met alternatieven voor Claude Code zeven van de belangrijkste opties naast elkaar.

Belangrijkste features van DeepSeek Harness

Dit zijn enkele van de belangrijkste features:

• Plugin-gebaseerde architectuur: De meeste onderdelen van de agent zijn uit te breiden of te vervangen via plugins, wat het makkelijker maakt om je setup aan te passen.

• Lokale Web UI: dsh web geeft je een browserinterface waarin je modellen, sessies, werkruimtes, instellingen en agents kunt beheren.

• Python SDK: Met de deepseek-harness-sdk kun je Harness-agents direct vanuit Python-applicaties, scripts, tests en automatiseringsworkflows draaien.

• Meerdere modelproviders: Je bent niet beperkt tot DeepSeek-modellen. Je kunt providers zoals OpenAI en Anthropic gebruiken, of je eigen compatibele endpoint koppelen.

• Tool-aanroepen: Agents kunnen tools aanroepen om acties uit te voeren in plaats van alleen tekst te genereren.

• Bestands- en terminaltools: Harness bevat tools om bestanden te lezen, zoeken en bewerken, plus Bash op Linux en macOS en PowerShell op Windows.

• Ingebouwde webzoekfunctie: DeepSeeks webzoekprovider is opgenomen in de standaardconfiguratie en gebruikt dezelfde DeepSeek API-sleutel als het model.

• Code Mode: Harness kan tools beschikbaar maken via een codegebaseerde uitvoermodus, waardoor de agent meer controle krijgt over hoe tool-calls worden gecombineerd en uitgevoerd.

• Trajectory: De Trajectory-weergave laat je stap voor stap inspecteren wat de agent doet, inclusief modelantwoorden, tool-calls, geneste tool-activiteit, timing en tokenverbruik.

• Agent-presets: Je kunt verschillende agentsetups maken met eigen tools en prompts, en die vervolgens in verschillende sessies gebruiken.

• Sessiestatistieken: Harness houdt nuttige informatie bij zoals beurten, stappen, modeltijd, tooltijd, time to first token en decoderingstijd.

• Subagents: Een hoofdagent kan delen van een taak delegeren aan child-agents, wat handig is voor complexere workflows.

• Community-plugins: Plugins van derden kunnen extra mogelijkheden toevoegen die niet in het basismodel zitten. In deze gids gebruikten we ModLens om vision-ondersteuning toe te voegen.

• MIT-licentie: DeepSeek Harness is open source en uitgebracht onder de permissieve MIT-licentie.

Het belangrijkste voordeel is dat je niet vastzit aan één model, één toolset of één type agent. Je kunt beginnen met de standaardsetup en geleidelijk componenten toevoegen of vervangen terwijl je met verschillende workflows experimenteert.

Hoe stel ik DeepSeek Harness in?

Laten we beginnen met het installeren van DeepSeek Harness en alles opzetten wat we voor de rest van de gids nodig hebben. We installeren Node.js, DeepSeek Harness en pnpm en voegen daarna onze API-sleutels toe.

Installeer Node.js

DeepSeek Harness draait op Node.js. Omdat we later ook ModLens gebruiken voor vision, raad ik Node.js 22.19 of nieuwer aan.

Als je op Ubuntu of Debian zit, kun je Node.js installeren met:

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

Controleer na installatie of zowel Node.js als npm werken:

node --version
npm --version

Op mijn setup kreeg ik:

v24.19.0
11.17.0

Je hoeft niet exact dezelfde versies te hebben. Zolang je een recente versie van Node.js draait, zit je goed.

Installeer DeepSeek Harness

Laten we nu DeepSeek Harness zelf installeren.

De officiële quickstart gebruikt npx, maar ik geef de voorkeur aan globale installatie zodat we in deze gids eenvoudig het dsh-commando kunnen gebruiken.

Voer uit:

npm install -g @deepseek-ai/dsh

Controleer daarna of het correct is geïnstalleerd:

dsh --version

Op het moment dat ik deze gids testte, gebruikte ik:

0.1.0-rc.7

Installeer pnpm

We hebben ook pnpm nodig. DeepSeek Harness gebruikt dit wanneer we plugins toevoegen of verwijderen. Installeer het globaal:

npm install -g pnpm

Stel de API-sleutels in

Voor deze tutorial hebben we slechts twee API-sleutels nodig:

• DeepSeek API-sleutel: gebruikt voor het DeepSeek-model en de ingebouwde webzoekfunctie.
• Gemini API-sleutel: gebruikt door ModLens voor beeldbegrip.

We zetten nu de DeepSeek-sleutel op, want die is alles wat we nodig hebben voor coderen en webzoek, en voegen later de Gemini-sleutel toe wanneer we vision toevoegen met ModLens.

Voor DeepSeek heb je een DeepSeek-account nodig, genereer je een API-sleutel en voeg je tegoed toe aan je account. Voor deze gids raad ik aan om minstens $2 tegoed toe te voegen; dat is ruim voldoende om de voorbeelden te testen zonder direct veel te storten.

Zodra je de API-sleutel hebt, voeg je die toe aan je omgeving.

Op Linux of macOS:

export DEEPSEEK_API_KEY="your_deepseek_api_key"

Op Windows PowerShell:

$env:DEEPSEEK_API_KEY="your_deepseek_api_key"

Een prettig punt van deze setup is dat we geen aparte webzoek-API nodig hebben. DeepSeek Harness bevat al DeepSeeks webzoekprovider en gebruikt dezelfde DEEPSEEK_API_KEY.

Je kunt je DeepSeek API-sleutel ook later toevoegen via Settings → Models in de Web UI.

Hoe start ik DeepSeek Harness?

Nu alles is geconfigureerd, kunnen we DeepSeek Harness starten en de Web UI openen. Voer simpelweg dsh web uit; dit start de browserinterface standaard op poort 3080.

Je ziet de UI zodra je in je browser het adres http://127.0.0.1:3080 opent.

Maak vanaf daar een nieuwe werkruimte of kies een bestaande, start een nieuwe sessie en selecteer het DeepSeek-model dat je wilt gebruiken. 

Zodra de sessie klaar is, kunnen we coderen, webzoek, vision en ondersteuning voor modellen van derden gaan testen. 

DeepSeek Harness gebruiken voor coderen

Nu DeepSeek Harness draait, kunnen we de belangrijkste mogelijkheden van onze setup testen. Laten we beginnen met een eenvoudige codetaak: 

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

DeepSeek Harness kan rechtstreeks met bestanden en de terminal werken, dus het kan het Python-bestand aanmaken, de code bewerken en commando’s uitvoeren in de werkruimte.

Na afloop van de taak zou je het gegenereerde bestand en instructies voor het uitvoeren moeten zien.

Wil je meer halen uit de DeepSeek-modellen die Harness aansturen, dan behandelt onze DeepSeek V4 API-tutorial de V4-reasoningmodes en API-parameters in Python.

DeepSeek Harness gebruiken voor webzoek

Laten we vervolgens webzoek testen. Er is geen extra setup nodig omdat DeepSeek Harness al DeepSeeks webzoekprovider bevat.

Probeer een prompt zoals:

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

De agent zou het web moeten doorzoeken en een samenvatting met bronnen moeten teruggeven. 

Terwijl het werkt, open je het tabblad Trajectory. Je zou tool-calls moeten zien zoals SUBTOOL: web_search.

Dit laat zien dat de agent daadwerkelijk de webzoektool gebruikt in plaats van alleen te vertrouwen op de bestaande modelkennis. Standaard wordt dit zoeken afgehandeld door de deepseek-official-provider en wordt dezelfde DEEPSEEK_API_KEY gebruikt die we eerder hebben geconfigureerd. 

DeepSeek gebruiken voor vision-taken

DeepSeeks chatmodel in Harness is alleen tekst, dus het kan geüploade afbeeldingen niet zelfstandig begrijpen. Om vision-ondersteuning toe te voegen, gebruiken we ModLens, dat fungeert als een brug tussen DeepSeek en een model met visuele mogelijkheden.

Installeer de ModLens-plugin

Wanneer je een afbeelding uploadt, verwerkt ModLens die met een visionmodel, haalt de relevante visuele informatie eruit en geeft die terug aan DeepSeek zodat het over de afbeelding kan redeneren.

Begin met het installeren van de ModLens-plugin in het web-profiel:

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

Na installatie voegt ModLens de tool modlens_read_image toe en creëert het modelopties zoals ``DeepSeek-V4-Flash (modlens vision)`.

Met deze modelvarianten kun je afbeeldingen uploaden terwijl je DeepSeek als hoofd-reasoningmodel blijft gebruiken.

Registreer je vision-backend

Voor deze gids gebruiken we de Gemini API als vision-backend, dus we hebben een Gemini API-sleutel nodig. Je kunt beginnen met de Gemini API Free Tier. Google biedt gratis toegang tot ondersteunde Gemini-modellen binnen de limieten van de Free Tier, dus je hoeft geen betaalgegevens toe te voegen om de vision-setup in deze gids te testen.

Zodra je je sleutel hebt, voeg je die toe aan je omgeving.

Op Linux of macOS:

export GEMINI_API_KEY="your_gemini_api_key"

Op Windows PowerShell:

$env:GEMINI_API_KEY="your_gemini_api_key"

Installeer en configureer de ModLens CLI

Installeer vervolgens de ModLens CLI:

npm install -g @liustack/modlens

Configureer deze daarna met de Gemini API-sleutel.

Op Linux of macOS:

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

Op Windows PowerShell:

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

Controleer tot slot of alles werkt:

modlens doctor

Je zou moeten zien dat gemini-api is geselecteerd als provider en als gereed wordt gemeld.

DeepSeek Harness testen met ModLens

Laten we nu beeldbegrip testen.

Kies in de modelkiezer een van de modellen met (modlens vision) in de naam, bijvoorbeeld DeepSeek-V4-Flash (modlens vision).

Plak of upload een afbeelding en vraag dan: Explain what is shown in this image.

Zoals in het bovenstaande voorbeeld te zien is, kan DeepSeek nu de geüploade afbeelding beschrijven en erover redeneren.

Achter de schermen stuurt ModLens de afbeelding naar Gemini voor visueel begrip en geeft de geëxtraheerde informatie terug aan DeepSeek. Dit betekent dat we DeepSeek als hoofd-reasoningmodel kunnen houden terwijl we Gemini alleen gebruiken voor het vision-gedeelte.

DeepSeek Harness gebruiken met een model van derden

Laten we tot slot een model van een andere provider proberen. Open Settings → Models.

Vanaf hier kun je providers toevoegen zoals OpenAI en Anthropic, of een andere ondersteunde modelprovider configureren met je eigen API-gegevens. 

Je kunt ook een aangepaste provider toevoegen als je een self-hosted model of een ander compatibel endpoint wilt koppelen. Hiermee kun je details configureren zoals de provider-ID, basis-URL, API-type, inloggegevens en modelnaam. 

Zodra de provider is toegevoegd, ga je terug naar je sessie en selecteer je het nieuwe model in de modelkiezer.

Probeer bijvoorbeeld de volgende prompt:

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.

Het bovenstaande voorbeeld gebruikt een Kimi-K3-model van een derde partij om de codetaak te voltooien en laat zien dat DeepSeek Harness niet beperkt is tot DeepSeek-modellen.

Je kunt tussen geconfigureerde modellen wisselen rechtstreeks in de modelkiezer; de wijziging geldt voor je volgende verzoek zonder de Harness-server te herstarten.

Tot slot

Na het testen van DeepSeek Harness geef ik nog steeds de voorkeur aan Pi Coding Agent en OpenCode voor mijn eigen workflows.

DeepSeek Harness doet me sterk denken aan Pi Coding Agent omdat beide draaien op een plugin-ecosysteem. Je kunt verschillende extensies installeren en je code-assistent extra mogelijkheden geven afhankelijk van wat je nodig hebt. Die flexibiliteit is prettig, maar in mijn tests begrijp ik de hype rond DeepSeek Harness nog steeds niet echt. De algehele ervaring voelde vrij normaal vergeleken met andere code-agents die ik al heb gebruikt.

Ik liep ook tegen een paar frustrerende punten aan. Soms stopte de agent midden in een taak zonder te zeggen waarom, en moest ik continue typen om hem weer op gang te krijgen. Het installeren en configureren van plugins was een ander pijnpunt. Het kan best lastig zijn, tenzij je precies weet wat je doet, en de documentatie helpt momenteel niet veel.

Dat gezegd hebbende, DeepSeek Harness is nog erg nieuw, dus deze issues zijn begrijpelijk. Ik verwacht dat de ervaring, documentatie en het pluginecosysteem in de loop van de tijd flink verbeteren. Het is ook mogelijk dat DeepSeek een harness bouwt dat bijzonder goed werkt met de eigen modellen, en dat dat deels de reden is voor de opwinding.