Учебник по DeepSeek Harness: как начать работу с самым популярным открытым AI-агентом

Узнайте, как настроить и протестировать DeepSeek Harness — открытого кодового AI-агента с поддержкой плагинов, веб-поиска, зрения, моделей DeepSeek, Gemini, ModLens, сторонних моделей и агентных процессов.

Обновлено 21 авг. 2026 г. · 10 мин читать

Изучить с помощью AI

ChatGPT Claude Perplexity

DeepSeek Harness — один из самых обсуждаемых открытых AI-агентов прямо сейчас, и он предлагает подход, отличающийся от большинства кодовых ассистентов: всё — это плагин.

В этом руководстве мы настроим DeepSeek Harness с нуля и построим практичную среду агента, используя DeepSeek в качестве основной модели, встроенный веб-поиск DeepSeek для актуальной информации и ModLens с Gemini для понимания изображений. Затем мы запустим веб-интерфейс Harness и протестируем его возможности по коду, веб-поиску, работе с изображениями и сторонним моделям.

Если вы только осваиваете, как агенты планируют, вызывают инструменты и действуют автономно, трек навыков AI Agent Fundamentals объясняет базовые концепции перед началом разработки.

Что такое DeepSeek Harness?

DeepSeek Harness — это открытая платформа AI-агентов от DeepSeek AI, созданная для разработчиков, которым нужен больший контроль над работой AI-агентов.

Вместо того чтобы привязывать пользователей к фиксированному ассистенту или процессу, Harness следует подходу «всё — это плагин»: модели, инструменты, интерфейсы и логика агента могут добавляться, удаляться или заменяться в зависимости от ваших задач.

Если вы всё ещё не до конца понимаете, что это значит, рекомендую наш материал, отвечающий на вопрос «Что такое агент-харнесс?"

Почему DeepSeek Harness так популярен?

DeepSeek Harness стремительно набрал популярность, получив более 160 000 звёзд на GitHub и 18 000 форков на момент публикации этой статьи.

Во многом это связано с тем, что разработчики получают хорошие результаты на разных моделях, не только на DeepSeek. Пользователи Reddit часто сообщают об успешной работе с моделями вроде Qwen3.8-27b, особенно для программирования и длинных агентных задач.

Ещё одна причина — автономность и гибкость. Пользователи отмечают, что Harness способен вести многошаговые задачи, восстанавливаться после ошибок, управлять длинными контекстами и продолжать работу без постоянного вмешательства. Плагинная архитектура также упрощает замену моделей, добавление инструментов и настройку рабочего процесса агента, вместо жёсткой привязки к одному варианту.

Если вы сравниваете Harness с инструментами-конкурентами, наше руководство по альтернативам Claude Code сопоставляет семь основных вариантов бок о бок.

Ключевые возможности DeepSeek Harness

Вот основные функции:

Плагинная архитектура: Большинство частей агента можно расширять или заменять через плагины, что упрощает кастомизацию.
Локальный Web UI: Команда dsh web запускает браузерный интерфейс для управления моделями, сессиями, рабочими пространствами, настройками и агентами.
Python SDK: deepseek-harness-sdk позволяет запускать агентов Harness напрямую из Python-приложений, скриптов, тестов и конвейеров автоматизации.
Несколько провайдеров моделей: Вы не ограничены моделями DeepSeek. Можно использовать провайдеров вроде OpenAI и Anthropic или подключить собственную совместимую конечную точку.
Вызов инструментов: Агенты могут вызывать инструменты для выполнения действий, а не только генерировать текст.
Инструменты для файлов и терминала: Harness включает инструменты для чтения, поиска и редактирования файлов, а также Bash в Linux и macOS и PowerShell в Windows.
Встроенный веб-поиск: Провайдер веб-поиска DeepSeek включён по умолчанию и использует тот же ключ API DeepSeek, что и модель.
Code Mode: Harness может предоставлять инструменты через кодовый режим выполнения, давая агенту больше контроля над комбинацией и запуском вызовов инструментов.
Trajectory: Представление Trajectory позволяет пошагово изучать работу агента, включая ответы модели, вызовы инструментов, вложенную активность, тайминги и расход токенов.
Пресеты агентов: Можно создавать различные конфигурации агентов с собственными инструментами и промптами и использовать их в разных сессиях.
Статистика сессий: Harness отслеживает полезные метрики: ходы, шаги, время модели, время инструментов, время до первого токена и время декодирования.
Субагенты: Главный агент может делегировать части задачи дочерним агентам — полезно для сложных процессов.
Плагины сообщества: Сторонние плагины добавляют возможности, которых нет в базовой модели. В этом руководстве мы использовали ModLens для поддержки зрения.
Лицензия MIT: DeepSeek Harness — открытый проект под свободной лицензией MIT.

Главное преимущество — вы не привязаны к одной модели, одному набору инструментов или типу агента. Начните с конфигурации по умолчанию и постепенно добавляйте или заменяйте компоненты по мере экспериментов с различными процессами.

Как настроить DeepSeek Harness?

Начнём с установки DeepSeek Harness и подготовки всего необходимого для остальной части руководства. Мы установим Node.js, DeepSeek Harness и pnpm, а затем добавим ключи API.

Установите Node.js

DeepSeek Harness работает на Node.js. Поскольку позже мы будем использовать ModLens для зрения, рекомендую Node.js 22.19 или новее.

Если вы используете Ubuntu или Debian, установите Node.js командой:

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

После установки проверьте, что работают и Node.js, и npm:

node --version
npm --version

В моей системе это было:

v24.19.0
11.17.0

Не обязательно иметь те же версии. Достаточно, чтобы Node.js был достаточно свежим — этого хватит для работы.

Установите DeepSeek Harness

Далее установим сам DeepSeek Harness.

В официальном квикстарте используется npx, но я предпочитаю глобальную установку, чтобы во всём руководстве просто использовать команду dsh.

Выполните:

npm install -g @deepseek-ai/dsh

Затем проверьте корректность установки:

dsh --version

На момент тестирования этого руководства я использовал:

0.1.0-rc.7

Установите pnpm

Нам также понадобится pnpm. DeepSeek Harness использует его при добавлении или удалении плагинов. Установите глобально:

npm install -g pnpm

Настройте ключи API

Для этого руководства нам нужны два ключа API:

Ключ DeepSeek API: используется для модели DeepSeek и встроенного веб-поиска.
Ключ Gemini API: используется ModLens для понимания изображений.

Сейчас настроим ключ DeepSeek, так как он нужен для кода и веб-поиска, а ключ Gemini добавим позже, когда подключим зрение через ModLens.

Для DeepSeek вам нужно создать аккаунт DeepSeek, сгенерировать ключ API и пополнить баланс. В рамках этого гайда рекомендую добавить как минимум $2 — этого с запасом хватит для тестов без значительных затрат.

Получив ключ API, добавьте его в окружение.

В Linux или macOS:

export DEEPSEEK_API_KEY="your_deepseek_api_key"

В Windows PowerShell:

$env:DEEPSEEK_API_KEY="your_deepseek_api_key"

Плюс такого подхода в том, что отдельный ключ для веб-поиска не нужен. DeepSeek Harness уже включает провайдера веб-поиска DeepSeek и использует тот же DEEPSEEK_API_KEY.

Ключ DeepSeek API можно добавить и позже — в разделе Settings → Models веб-интерфейса.

Как запустить DeepSeek Harness?

Теперь, когда всё настроено, запустим DeepSeek Harness и откроем веб-интерфейс. Достаточно выполнить dsh web — по умолчанию браузерный интерфейс откроется на порту 3080.

Интерфейс доступен по адресу http://127.0.0.1:3080 в браузере.

Создайте новое рабочее пространство или выберите имеющееся, начните новую сессию и выберите нужную модель DeepSeek.

Когда сессия готова, можно переходить к тестированию кода, веб-поиска, зрения и поддержки сторонних моделей.

Как использовать DeepSeek Harness для программирования

Теперь, когда DeepSeek Harness запущен, проверим основные возможности нашей конфигурации. Начнём с простой задачи по коду:

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

DeepSeek Harness умеет работать напрямую с файлами и терминалом, поэтому он может создать Python-файл, отредактировать код и выполнить команды внутри рабочего пространства.

После завершения задачи вы увидите созданный файл и инструкции по его запуску.

Чтобы глубже раскрыть возможности моделей DeepSeek, лежащих в основе Harness, наш учебник по DeepSeek V4 API разбирает режимы рассуждений V4 и параметры API на Python.

Как использовать DeepSeek Harness для веб-поиска

Далее протестируем веб-поиск. Дополнительная настройка не требуется, так как DeepSeek Harness уже включает провайдера веб-поиска DeepSeek.

Попробуйте такой промпт:

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

Агент выполнит поиск в сети и вернёт сводку с источниками.

Пока он работает, откройте вкладку Trajectory. Вы увидите вызовы инструментов вроде SUBTOOL: web_search.

Это показывает, что агент действительно использует инструмент веб-поиска, а не полагается только на «знания» модели. По умолчанию поиск обрабатывается провайдером deepseek-official и использует тот же DEEPSEEK_API_KEY, который мы настроили ранее.

Как использовать DeepSeek для задач зрения

Чат-модель DeepSeek в Harness — только текстовая, поэтому загруженные изображения она не понимает. Чтобы добавить поддержку зрения, мы используем ModLens — мост между DeepSeek и моделью со зрением.

Установите плагин ModLens

Когда вы загружаете изображение, ModLens обрабатывает его с помощью модели со зрением, извлекает полезную визуальную информацию и передаёт её обратно в DeepSeek, чтобы тот мог рассуждать об изображении.

Начните с установки плагина ModLens в профиль web:

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

После установки ModLens добавит инструмент modlens_read_image и создаст варианты моделей вроде «DeepSeek-V4-Flash (modlens vision)».

Эти варианты позволяют загружать изображения, при этом используя DeepSeek как основную модель рассуждений.

Зарегистрируйте бэкенд зрения

В этом руководстве мы будем использовать Gemini API в качестве бэкенда для зрения, поэтому нужен ключ Gemini API. Можно начать с Free Tier Gemini API. Google предоставляет бесплатный доступ к поддерживаемым моделям Gemini в пределах лимитов Free Tier, так что для тестов оплаты не требуется.

Получив ключ, добавьте его в окружение.

В Linux или macOS:

export GEMINI_API_KEY="your_gemini_api_key"

В Windows PowerShell:

$env:GEMINI_API_KEY="your_gemini_api_key"

Установите и настройте ModLens CLI

Далее установите ModLens CLI:

npm install -g @liustack/modlens

Затем настройте его с использованием ключа Gemini API.

В Linux или macOS:

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

В Windows PowerShell:

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

Наконец, проверьте, что всё работает:

modlens doctor

Вы должны увидеть, что провайдер gemini-api выбран и готов к работе.

Тестирование DeepSeek Harness с ModLens

Теперь проверим понимание изображений.

В списке моделей выберите вариант с пометкой (modlens vision), например DeepSeek-V4-Flash (modlens vision).

Вставьте или загрузите изображение, затем спросите: Explain what is shown in this image.

Как видно на примере выше, теперь DeepSeek может описывать и анализировать загруженное изображение.

Под капотом ModLens отправляет изображение в Gemini для визуального анализа и передаёт извлечённую информацию обратно в DeepSeek. Так мы сохраняем DeepSeek в качестве основной модели рассуждений, используя Gemini только для части со зрением.

Как использовать DeepSeek Harness со сторонней моделью

Наконец, попробуем модель другого провайдера. Откройте Settings → Models.

Отсюда можно добавить провайдеров, таких как OpenAI и Anthropic, или настроить другого поддерживаемого провайдера с вашими API-данными.

Также можно добавить кастомного провайдера, если хотите подключить саморазмещённую модель или другую совместимую конечную точку. Это позволяет настроить такие параметры, как ID провайдера, базовый URL, тип API, учётные данные и имя модели.

После добавления провайдера вернитесь к сессии и выберите новую модель в списке.

Например, попробуйте следующий промпт:

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.

В примере выше используется сторонняя модель Kimi-K3 для выполнения задачи по коду, что показывает: DeepSeek Harness не ограничен моделями DeepSeek.

Между настроенными моделями можно переключаться прямо в списке — изменения применяются к следующему запросу без перезапуска сервера Harness.

Заключение

После тестирования DeepSeek Harness я по-прежнему предпочитаю Pi Coding Agent и OpenCode для своих рабочих процессов.

DeepSeek Harness во многом напоминает Pi Coding Agent, потому что оба основаны на экосистеме плагинов. Вы можете устанавливать разные расширения и наделять кодового агента дополнительными возможностями по мере необходимости. Эта гибкость полезна, но в моих тестах я так и не понял, откуда весь ажиотаж вокруг DeepSeek Harness. В целом опыт показался вполне обычным по сравнению с другими кодовыми агентами, которыми я уже пользовался.

Я также столкнулся с парой раздражающих моментов. Иногда агент останавливался посреди задачи без объяснений, и приходилось вводить continue, чтобы он продолжил. Установка и настройка плагинов тоже оказались болезненной частью. Это может быть довольно сложно, если вы заранее не знаете, что делаете, а документация пока мало помогает.

Тем не менее, DeepSeek Harness — очень новый продукт, так что такие проблемы понятны. Ожидаю, что опыт, документация и экосистема плагинов сильно улучшатся со временем. Возможно, DeepSeek создаёт харнесс, который особенно хорошо работает с его собственными моделями, и это отчасти объясняет энтузиазм.

Что такое DeepSeek Harness?

DeepSeek Harness (dsh) — это открытый фреймворк агентов под лицензией MIT от DeepSeek AI, основанный на идее «всё — это плагин». Модели, инструменты, интерфейсы и даже цикл агента можно менять и заменять. Он работает как локальный кодовый агент с веб-интерфейсом в браузере и headless-режимом и не привязан к моделям DeepSeek. Запущен как превью для разработчиков в августе 2026 года и быстро развивается.

Бесплатен ли DeepSeek Harness?

Сам харнесс бесплатен и с открытым исходным кодом под лицензией MIT, так что вы можете устанавливать, модифицировать и размещать его без затрат. Платите вы за модель за ним: нужен ключ DeepSeek API с небольшим балансом для запуска моделей DeepSeek и встроенного веб-поиска или учётные данные для любого другого подключённого провайдера.

Может ли DeepSeek Harness запускать модели, отличные от DeepSeek?

Да. Поскольку адаптеры моделей — это плагины, вы можете добавить провайдеров вроде OpenAI и Anthropic в разделе Settings → Models или указать нестандартного провайдера на любой совместимый с OpenAI эндпоинт, включая саморазмещённую или локальную модель. Переключаться между настроенными моделями можно в списке без перезапуска сервера.

Чем DeepSeek Harness отличается от Claude Code?

Оба — агентные харнессы, но Claude Code — закрытый продукт, привязанный к моделям Anthropic, тогда как DeepSeek Harness — проект под MIT и не зависящий от конкретных моделей. Каждая возможность, вплоть до цикла агента, — заменяемый плагин. Harness также намного моложе: превью для разработчиков с ожидаемыми несовместимыми изменениями против зрелого продукта.

Как добавить понимание изображений (зрение) в DeepSeek Harness?

Чат-модели DeepSeek в Harness — только текстовые, поэтому зрение добавляется через плагин сообщества, такой как ModLens, который выступает мостом к модели со зрением. После установки ModLens добавляет инструмент modlens_read_image и варианты моделей вроде «DeepSeek-V4-Flash (modlens vision)», а вы настраиваете бэкенд зрения. Рекомендуется бесплатный ключ Gemini API.

Темы

AI Agents

Искусственный интеллект