Samouczek DeepSeek Harness: jak zacząć z najpopularniejszym otwartoźródłowym agentem AI

Dlaczego DeepSeek Harness jest popularny?

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

W dużej mierze wynika to z tego, że deweloperzy uzyskują dobre wyniki z różnych modeli, nie tylko DeepSeek. Użytkownicy Reddita często zgłaszają pomyślne użycie z modelami takimi jak Qwen3.8-27b, zwłaszcza do kodowania i dłuższych zadań agencyjnych.

Kolejny powód to autonomia i elastyczność. Użytkownicy raportują, że Harness potrafi realizować wieloetapowe zadania, wychodzić z błędów, zarządzać długim kontekstem i kontynuować bez ciągłej ingerencji. Projekt oparty na wtyczkach ułatwia też podmianę modeli, dodawanie narzędzi i dostosowywanie przepływu pracy agenta zamiast bycia przypiętym do jednego stałego ustawienia.

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

Kluczowe funkcje DeepSeek Harness

Oto najważniejsze funkcje:

• Architektura oparta na wtyczkach: Większość części agenta można rozszerzać lub zastępować przez wtyczki, co ułatwia dostosowanie konfiguracji.

• Lokalny Web UI: Uruchomienie dsh web daje interfejs przeglądarkowy, w którym możesz zarządzać 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 używać dostawców takich jak OpenAI i Anthropic albo podłączyć własny zgodny endpoint.

• Wywoływanie narzędzi: Agenci mogą wywoływać narzędzia, aby wykonywać działania, a nie tylko generować tekst.

• Narzędzia do plików i terminala: Harness zawiera narzędzia do czytania, wyszukiwania i edycji plików, a także Bash na Linuksie i macOS oraz PowerShell na Windowsie.

• Wbudowane wyszukiwanie w sieci: Dostawca wyszukiwania webowego DeepSeek jest dołączony w domyślnej konfiguracji i używa tego samego klucza API DeepSeek co model.

• Code Mode: Harness może udostępniać narzędzia przez tryb wykonywania oparty na kodzie, dając agentowi większą kontrolę nad łączeniem i uruchamianiem wywołań narzędzi.

• Trajectory: Widok Trajectory pozwala śledzić krok po kroku, co robi agent, w tym odpowiedzi modelu, wywołania narzędzi, zagnieżdżoną aktywność narzędzi, czas i użycie tokenów.

• Presety agentów: Możesz tworzyć różne konfiguracje agentów z własnymi narzędziami i promptami, a następnie 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.

• Wtyczki społeczności: Wtyczki zewnętrzne mogą dodawać możliwości niedostępne w bazowym modelu. W tym przewodniku użyliśmy ModLens, aby dodać obsługę wizji.

• Licencja MIT: DeepSeek Harness jest open source i wydany na liberalnej licencji MIT.

Główną zaletą jest to, że nie jesteś przywiązany do jednego modelu, jednego zestawu narzędzi czy jednego typu agenta. Możesz zacząć od domyślnej konfiguracji 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 przewodnika. Zainstalujemy Node.js, DeepSeek Harness i pnpm, a następnie dodamy nasze klucze API.

Instalacja Node.js

DeepSeek Harness działa na Node.js. Ze względu na to, że później użyjemy ModLens do wizji, polecam Node.js 22.19 lub nowszy.

Jeśli korzystasz z Ubuntu lub Debiana, 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 działają Node.js i npm:

node --version
npm --version

U mnie wynik wyglądał tak:

v24.19.0
11.17.0

Nie musisz mieć dokładnie tych samych wersji. Wystarczy, że używasz wystarczająco nowej wersji Node.js.

Instalacja DeepSeek Harness

Następnie zainstalujmy samo DeepSeek Harness.

Oficjalny quick start używa npx, ale wolę instalację globalną, żeby po prostu używać polecenia dsh w całym przewodniku.

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

Instalacja pnpm

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

npm install -g pnpm

Skonfiguruj klucze API

Do tego tutorialu potrzebujemy tylko dwóch kluczy API:

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

Teraz skonfigurujemy klucz DeepSeek, bo wystarczy do kodowania i wyszukiwania w sieci, a klucz Gemini dodamy później, gdy uruchomimy wizję z ModLens.

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

Gdy masz już klucz API, dodaj go do środowiska.

Na Linuksie lub macOS:

export DEEPSEEK_API_KEY="your_deepseek_api_key"

W Windows PowerShell:

$env:DEEPSEEK_API_KEY="your_deepseek_api_key"

Miłym aspektem tej konfiguracji jest to, że nie potrzebujemy osobnego API do wyszukiwania w sieci. DeepSeek Harness ma już 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 UI 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 obsługę modeli zewnętrznych. 

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 wykonywać polecenia w przestrzeni roboczej.

Po ukończeniu zadania powinieneś zobaczyć wygenerowany plik i instrukcje uruchomienia.

Aby lepiej wykorzystać modele DeepSeek napędzające Harness, nasz tutorial DeepSeek V4 API przechodzi przez tryby rozumowania V4 i parametry API w Pythonie.

Jak używać DeepSeek Harness do wyszukiwania w sieci

Teraz przetestujmy wyszukiwanie w sieci. Nie jest potrzebna żadna dodatkowa konfiguracja, ponieważ DeepSeek Harness ma już dostawcę wyszukiwania DeepSeek.

Spróbuj takiego promptu:

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 istniejącej wiedzy modelu. Domyślnie to wyszukiwanie obsługuje dostawca deepseek-official i korzysta z tego samego DEEPSEEK_API_KEY, który skonfigurowaliśmy wcześniej. 

Jak używać DeepSeek do zadań wizji

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

Zainstaluj wtyczkę ModLens

Po przesłaniu obrazu ModLens przetwarza go za pomocą modelu wizji, wyodrębnia przydatne informacje wizualne i przekazuje je z powrotem do DeepSeek, aby mógł rozumować o obrazie.

Zacznij od zainstalowania wtyczki ModLens w 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 potrzebujemy klucza Gemini API. Możesz zacząć od darmowego poziomu Free Tier. Google zapewnia bezpłatny dostęp do wspieranych modeli Gemini w ramach limitów Free Tier, więc nie musisz podawać płatności tylko po to, by przetestować konfigurację wizji w tym przewodniku.

Gdy masz 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 przy użyciu klucza Gemini API.

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 koniec sprawdź, czy wszystko działa:

modlens doctor

Powinieneś zobaczyć, że gemini-api jest wybrany jako dostawca i gotowy do pracy.

Testowanie DeepSeek Harness z ModLens

Przetestujmy teraz rozumienie obrazów.

W selektorze modelu wybierz 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.

Za kulisami ModLens wysyła obraz do Gemini w celu zrozumienia 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 zewnętrznym

Na koniec spróbujmy modelu od innego dostawcy. Otwórz Settings → Models.

Tutaj możesz dodać dostawców takich jak OpenAI i Anthropic lub skonfigurować innego wspieranego dostawcę modelu, używając własnych poświadczeń API. 

Możesz też dodać dostawcę niestandardowego, jeśli chcesz podłączyć model self‑hosted lub inny zgodny endpoint. Pozwoli to skonfigurować szczegóły takie jak ID dostawcy, bazowy URL, typ API, dane dostępowe i nazwa modelu. 

Gdy dostawca zostanie dodany, 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 zewnętrznego modelu Kimi-K3 do wykonania zadania kodowania, pokazując, że DeepSeek Harness nie jest ograniczony do modeli DeepSeek.

Możesz przełączać się między skonfigurowanymi modelami bezpośrednio w selektorze modeli, a zmiany będą dotyczyć następnego żądania bez ponownego uruchamiania serwera Harness.

Podsumowanie

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

DeepSeek Harness bardzo przypomina mi Pi Coding Agent, bo oba opierają się na ekosystemie wtyczek. Możesz instalować różne rozszerzenia i dodawać swojemu asystentowi kodowania kolejne możliwości w zależności od potrzeb. Ta elastyczność jest przydatna, ale w moich testach nadal nie do końca rozumiem szum wokół DeepSeek Harness. Ogólne wrażenia były dość zwyczajne w porównaniu z innymi agentami do kodu, których już używałem.

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

Z drugiej strony DeepSeek Harness to wciąż bardzo nowy produkt, więc to zrozumiałe. Spodziewam się, że z czasem doświadczenie, dokumentacja i ekosystem wtyczek znacznie się poprawią. Możliwe też, że DeepSeek tworzy harness, który działa wyjątkowo dobrze z jego własnymi modelami — i to może być część powodu tego entuzjazmu.