Samouczek DeepSeek Harness: pierwsze kroki z najpopularniejszym open‑source’owym agentem AI

Dowiedz się, jak skonfigurować i przetestować DeepSeek Harness — open‑source’owego agenta do kodowania ze wsparciem wtyczek, wyszukiwaniem w sieci, wizją, modelami DeepSeek, Gemini, ModLens, modelami firm trzecich i przepływami agentowymi.

Zaktualizowano 21 sie 2026 · 10 min przeczytaj

Odkryj z AI

ChatGPT Claude Perplexity

DeepSeek Harness to jeden z najczęściej omawianych open‑source’owych agentów AI w tej chwili i podchodzi do tematu zupełnie inaczej niż większość asystentów kodowania: wszystko jest wtyczką.

W tym przewodniku skonfigurujemy DeepSeek Harness od zera i zbudujemy praktyczne środowisko agenta z DeepSeek jako głównym modelem, wbudowanym wyszukiwaniem sieciowym DeepSeek dla aktualnych informacji oraz ModLens z Gemini do rozumienia obrazów. Następnie uruchomimy Web UI Harness i przetestujemy jego możliwości w zakresie kodowania, wyszukiwania w sieci, wizji oraz obsługi modeli firm trzecich.

Jeśli dopiero zaczynasz z agentami, ich planowaniem, wywoływaniem narzędzi i samodzielnym działaniem, AI Agent Fundamentals to ścieżka umiejętności, która omawia podstawowe pojęcia zanim przejdziesz do budowania.

Czym jest DeepSeek Harness?

DeepSeek Harness to open‑source’owy framework agenta AI od DeepSeek AI zaprojektowany dla deweloperów, którzy chcą mieć większą kontrolę nad działaniem agentów AI.

Zamiast zamykać użytkownika w stałym asystencie kodowania czy przepływie pracy, Harness stosuje podejście „wszystko jest wtyczką”: modele, narzędzia, interfejsy i zachowanie agenta można dodawać, usuwać lub wymieniać w zależności od tego, jak chcesz używać frameworka.

Jeśli nadal nie masz 100% pewności, co dokładnie oznacza ten termin, polecam nasz przewodnik odpowiadający na pytanie „Czym jest agent harness?”

Dlaczego DeepSeek Harness jest popularny?

DeepSeek Harness bardzo szybko zyskał rozgłos, osiągając ponad 160 000 gwiazdek na GitHubie i 18 000 forków w momencie publikacji tego artykułu.

Dużym powodem jest to, że deweloperzy uznają go za skuteczny w uzyskiwaniu dobrych wyników z różnych modeli, nie tylko DeepSeek. Użytkownicy Reddita często zgłaszają udane użycie z modelami takimi jak Qwen3.8-27b, zwłaszcza do kodowania i dłuższych zadań agentowych.

Kolejny powód to jego autonomia i elastyczność. Użytkownicy raportują, że Harness potrafi realizować wieloetapowe zadania, wychodzić z błędów, zarządzać długimi kontekstami i kontynuować bez ciągłej interwencji. Projekt oparty na wtyczkach ułatwia też podmianę modeli, dodawanie narzędzi i personalizację przepływu pracy agenta zamiast bycia skazanym na jedno sztywne ustawienie.

Jeśli rozważasz Harness na tle narzędzi, z którymi ma konkurować, nasz przewodnik po alternatywach dla Claude Code porównuje siedem głównych opcji obok siebie.

Kluczowe funkcje DeepSeek Harness

Oto najważniejsze funkcje:

Architektura oparta na wtyczkach: Większość elementów agenta można rozszerzać lub wymieniać przez wtyczki, co ułatwia dostosowanie środowiska.
Lokalny Web UI: Uruchomienie dsh web daje przeglądarkowy interfejs, w którym zarządzasz modelami, sesjami, przestrzeniami roboczymi, ustawieniami i agentami.
Python SDK: deepseek-harness-sdk pozwala uruchamiać agentów Harness bezpośrednio z aplikacji Pythona, skryptów, testów i automatyzacji.
Wielu dostawców modeli: Nie jesteś ograniczony do modeli DeepSeek. Możesz użyć dostawców takich jak OpenAI i Anthropic albo podłączyć własny kompatybilny endpoint.
Wywoływanie narzędzi: Agenci potrafią wywoływać narzędzia, by wykonywać akcje, a nie tylko generować tekst.
Narzędzia do plików i terminala: Harness zawiera narzędzia do odczytu, wyszukiwania i edycji plików, a także Bash na Linuksie i macOS oraz PowerShell na Windowsie.
Wbudowane wyszukiwanie w sieci: Dostawca wyszukiwania DeepSeek jest w domyślnej konfiguracji i używa tego samego klucza API DeepSeek co model.
Code Mode: Harness może udostępniać narzędzia przez tryb wykonania oparty na kodzie, dając agentowi większą kontrolę nad łączeniem i uruchamianiem wywołań narzędzi.
Trajectory: Widok Trajectory pozwala podejrzeć krok po kroku, co robi agent, w tym odpowiedzi modelu, wywołania narzędzi, zagnieżdżoną aktywność narzędzi, czasy i użycie tokenów.
Presety agentów: Możesz tworzyć różne konfiguracje agentów z własnymi narzędziami i promptami, a potem używać ich w różnych sesjach.
Statystyki sesji: Harness śledzi przydatne informacje, takie jak tury, kroki, czas modelu, czas narzędzi, czas do pierwszego tokena i czas dekodowania.
Subagenci: Główny agent może delegować części zadania agentom podrzędnym, co przydaje się w bardziej złożonych przepływach pracy.
Wtyczki społeczności: Wtyczki firm trzecich mogą dodać funkcje niedostępne w bazowym modelu. W tym przewodniku użyliśmy ModLens, aby dodać obsługę wizji.
Licencja MIT: DeepSeek Harness jest open source i wydany na permissive’nej licencji MIT.

Główna zaleta to brak przywiązania do jednego modelu, zestawu narzędzi czy typu agenta. Możesz zacząć od ustawień domyślnych i stopniowo dodawać lub wymieniać komponenty, eksperymentując z różnymi przepływami pracy.

Jak skonfigurować DeepSeek Harness?

Zacznijmy od instalacji DeepSeek Harness i przygotowania wszystkiego, czego będziemy potrzebować w dalszej części. Zainstalujemy Node.js, DeepSeek Harness i pnpm, a następnie dodamy nasze klucze API.

Zainstaluj Node.js

DeepSeek Harness działa na Node.js. Ponieważ później użyjemy też ModLens do wizji, polecam Node.js 22.19 lub nowszy.

Jeśli jesteś na Ubuntu lub Debianie, możesz zainstalować Node.js poleceniem:

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

Po instalacji sprawdź, czy Node.js i npm działają:

node --version
npm --version

U mnie wyszło:

v24.19.0
11.17.0

Nie musisz mieć dokładnie tych samych wersji. Jeśli używasz wystarczająco nowego Node.js, wszystko powinno być w porządku.

Zainstaluj DeepSeek Harness

Teraz zainstalujmy sam DeepSeek Harness.

Oficjalny quick start używa npx, ale wolę instalację globalną, żeby przez cały przewodnik po prostu używać polecenia dsh.

Uruchom:

npm install -g @deepseek-ai/dsh

Potem sprawdź, czy instalacja się powiodła:

dsh --version

W czasie testów tego przewodnika używałem wersji:

0.1.0-rc.7

Zainstaluj pnpm

Potrzebujemy też pnpm. DeepSeek Harness używa go przy dodawaniu lub usuwaniu wtyczek. Zainstaluj globalnie:

npm install -g pnpm

Skonfiguruj klucze API

W tym samouczku potrzebujemy tylko dwóch kluczy API:

Klucz DeepSeek API: używany przez model DeepSeek i jego wbudowane wyszukiwanie w sieci.
Klucz API Gemini: używany przez ModLens do rozumienia obrazów.

Skonfigurujemy teraz klucz DeepSeek, bo wystarczy do kodowania i wyszukiwania w sieci, a klucz Gemini dodamy później, gdy dołączymy wizję przez ModLens.

W przypadku DeepSeek potrzebujesz utworzyć konto, wygenerować klucz API i doładować środki. Do tego przewodnika polecam dodać co najmniej 2 USD — to w zupełności wystarczy do przetestowania przykładów bez dużej wpłaty na start.

Gdy masz już klucz API, dodaj go do swojego środowiska.

Na Linuksie lub macOS:

export DEEPSEEK_API_KEY="your_deepseek_api_key"

W Windows PowerShell:

$env:DEEPSEEK_API_KEY="your_deepseek_api_key"

Fajne w tym ustawieniu jest to, że nie potrzebujemy osobnego API do wyszukiwania. DeepSeek Harness ma już wbudowanego dostawcę wyszukiwania DeepSeek i używa tego samego DEEPSEEK_API_KEY.

Możesz też dodać klucz API DeepSeek później w Settings → Models w Web UI.

Jak uruchomić DeepSeek Harness?

Skoro wszystko jest skonfigurowane, możemy uruchomić DeepSeek Harness i otworzyć Web UI. Po prostu uruchom dsh web, co domyślnie startuje interfejs przeglądarkowy na porcie 3080.

Zobaczysz interfejs po otwarciu adresu http://127.0.0.1:3080 w przeglądarce.

Stąd utwórz nową przestrzeń roboczą lub wybierz istniejącą, rozpocznij nową sesję i wybierz model DeepSeek, którego chcesz używać.

Gdy sesja będzie gotowa, możemy zacząć testować kodowanie, wyszukiwanie w sieci, wizję i wsparcie dla modeli firm trzecich.

Jak używać DeepSeek Harness do kodowania

Skoro DeepSeek Harness działa, możemy przetestować główne możliwości naszej konfiguracji. Zacznijmy od prostego zadania kodowania:

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

DeepSeek Harness potrafi pracować bezpośrednio z plikami i terminalem, więc może utworzyć plik Pythona, edytować kod i uruchamiać polecenia w przestrzeni roboczej.

Po zakończeniu zadania powinieneś zobaczyć wygenerowany plik i instrukcje jego uruchomienia.

Aby wycisnąć więcej z modeli DeepSeek zasilających Harness, nasz samouczek DeepSeek V4 API omawia tryby rozumowania V4 i parametry API w Pythonie.

Jak używać DeepSeek Harness do wyszukiwania w sieci

Teraz przetestujmy wyszukiwanie w sieci. Nie jest potrzebna dodatkowa konfiguracja, ponieważ DeepSeek Harness ma już wbudowanego dostawcę web search od DeepSeek.

Spróbuj takiej prośby:

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

Agent powinien przeszukać sieć i zwrócić podsumowanie ze źródłami.

W trakcie działania otwórz kartę Trajectory. Powinieneś zobaczyć wywołania narzędzi, takie jak SUBTOOL: web_search.

To pokazuje, że agent faktycznie używa narzędzia wyszukiwania w sieci, zamiast polegać wyłącznie na wiedzy modelu. Domyślnie wyszukiwanie obsługuje dostawca deepseek-official i używa tego samego DEEPSEEK_API_KEY, który skonfigurowaliśmy wcześniej.

Jak używać DeepSeek do zadań wizji

Model czatu DeepSeek w Harness jest tekstowy, więc sam z siebie nie rozumie przesłanych obrazów. Aby dodać obsługę wizji, użyjemy ModLens, który działa jako most między DeepSeek a modelem z obsługą wizji.

Zainstaluj wtyczkę ModLens

Gdy przesyłasz obraz, ModLens przetwarza go przy użyciu modelu wizji, wyodrębnia przydatne informacje wizualne i przekazuje je z powrotem do DeepSeek, aby ten mógł rozumować o obrazie.

Zacznij od zainstalowania wtyczki ModLens do profilu web:

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

Po instalacji ModLens dodaje narzędzie modlens_read_image i tworzy opcje modeli takie jak ``DeepSeek-V4-Flash (modlens vision)`.

Te warianty modeli pozwalają przesyłać obrazy, wciąż używając DeepSeek jako głównego modelu rozumowania.

Zarejestruj backend wizji

W tym przewodniku użyjemy Gemini API jako backendu wizji, więc potrzebny jest klucz API Gemini. Możesz zacząć od darmowego Free Tier Gemini API. Google zapewnia bezpłatny dostęp do wspieranych modeli Gemini w limitach Free Tier, więc nie musisz podawać płatności tylko po to, by przetestować konfigurację wizji w tym przewodniku.

Gdy masz już klucz, dodaj go do środowiska.

Na Linuksie lub macOS:

export GEMINI_API_KEY="your_gemini_api_key"

W Windows PowerShell:

$env:GEMINI_API_KEY="your_gemini_api_key"

Zainstaluj i skonfiguruj ModLens CLI

Następnie zainstaluj ModLens CLI:

npm install -g @liustack/modlens

Potem skonfiguruj go, używając klucza API Gemini.

Na Linuksie lub macOS:

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

W Windows PowerShell:

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

Na końcu sprawdź, czy wszystko działa:

modlens doctor

Powinieneś zobaczyć, że jako provider wybrano gemini-api i jest on gotowy.

Testowanie DeepSeek Harness z ModLens

Przetestujmy teraz rozumienie obrazów.

Wybierz z selektora modeli jeden z modeli z dopiskiem (modlens vision) w nazwie, na przykład DeepSeek-V4-Flash (modlens vision).

Wklej lub prześlij obraz, a następnie zapytaj: Explain what is shown in this image.

Jak widać w powyższym przykładzie, DeepSeek potrafi teraz opisywać i rozumować o przesłanym obrazie.

W tle ModLens wysyła obraz do Gemini w celu rozumienia wizualnego i przekazuje wyodrębnione informacje z powrotem do DeepSeek. Dzięki temu możemy zachować DeepSeek jako główny model rozumowania, używając Gemini tylko do części wizji.

Jak używać DeepSeek Harness z modelem firmy trzeciej

Na koniec wypróbujmy model od innego dostawcy. Otwórz Settings → Models.

Stąd możesz dodać dostawców takich jak OpenAI i Anthropic lub skonfigurować innego wspieranego dostawcę modeli, używając własnych danych uwierzytelniających.

Możesz też dodać własnego dostawcę, jeśli chcesz podłączyć model self‑hosted lub inny kompatybilny endpoint. Pozwala to skonfigurować szczegóły, takie jak ID dostawcy, bazowy URL, typ API, dane logowania i nazwę modelu.

Gdy dodasz dostawcę, wróć do swojej sesji i wybierz nowy model z selektora modeli.

Na przykład spróbuj takiego promptu:

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.

Powyższy przykład używa modelu firmy trzeciej Kimi-K3 do wykonania zadania kodowania, pokazując, że DeepSeek Harness nie jest ograniczony do modeli DeepSeek.

Między skonfigurowanymi modelami możesz przełączać się bezpośrednio w selektorze modeli, a zmiany będą dotyczyć Twojej następnej prośby bez restartowania serwera Harness.

Na koniec

Po przetestowaniu DeepSeek Harness, nadal wolę Pi Coding Agent i OpenCode do własnych przepływów pracy.

DeepSeek Harness bardzo przypomina mi Pi Coding Agent, bo oba bazują na ekosystemie wtyczek. Możesz instalować różne rozszerzenia i dodawać swojemu asystentowi kodowania dodatkowe możliwości zależnie od potrzeb. Ta elastyczność jest cenna, ale w moich testach wciąż nie do końca rozumiem hype wokół DeepSeek Harness. Ogólne wrażenia były dość zwyczajne w porównaniu z innymi agentami kodowania, których już używałem.

Napotkałem też kilka frustrujących kwestii. Czasem agent zatrzymywał się w połowie zadania bez wyjaśnienia i musiałem wpisać continue, żeby znów ruszył. Instalacja i konfiguracja wtyczek to kolejny słaby punkt. Może być dość trudna, jeśli dokładnie nie wiesz, co robisz, a dokumentacja na razie niewiele pomaga.

Mimo to DeepSeek Harness to wciąż bardzo nowy produkt, więc to zrozumiałe. Spodziewam się, że doświadczenie, dokumentacja i ekosystem wtyczek z czasem znacznie się poprawią. Możliwe też, że DeepSeek buduje harness wyjątkowo dobrze współgrający z własnymi modelami i to może być częścią źródła entuzjazmu.