Учебник по DeepSeek Harness: начните работу с самым популярным открытым ИИ‑агентом

Узнайте, как настроить и протестировать DeepSeek Harness — открытого ИИ‑агента для кодирования с поддержкой плагинов, веб‑поиска, зрения, моделей DeepSeek, Gemini, ModLens, сторонних моделей и агентных рабочих процессов.

Обновлено 20 авг. 2026 г. · 10 мин читать

Изучить с помощью AI

ChatGPT Claude Perplexity

DeepSeek Harness — один из самых обсуждаемых открытых ИИ‑агентов сейчас и он предлагает совсем другой подход по сравнению с большинством помощников для кодирования: всё — это плагин.

В этом руководстве мы пошагово настроим DeepSeek Harness и соберём практичную среду агента: используем DeepSeek как основной модель, встроенный веб‑поиск DeepSeek для актуальной информации и ModLens с Gemini для понимания изображений. Затем мы запустим веб‑интерфейс Harness и протестируем его возможности в кодировании, веб‑поиске, работе с изображениями и со сторонними моделями.

Если вы только знакомитесь с тем, как агенты планируют, вызывают инструменты и самостоятельно действуют, учебный трек Основы ИИ‑агентов покроет ключевые концепции перед тем, как вы начнёте разрабатывать.

Что такое DeepSeek Harness?

DeepSeek Harness — это открытый фреймворк ИИ‑агента от DeepSeek AI, созданный для разработчиков, которым нужен больший контроль над работой ИИ‑агентов.

Вместо того чтобы привязывать пользователей к фиксированному помощнику по кодированию или рабочему процессу, Harness следует подходу «всё — это плагин»: модели, инструменты, интерфейсы и поведение агента можно добавлять, удалять или заменять в зависимости от того, как вы хотите использовать фреймворк.

Если вы всё ещё не до конца понимаете, что именно означает этот термин, рекомендую прочитать наше руководство, отвечающее на вопрос «Что такое harness агента?»

Почему DeepSeek Harness популярен?

DeepSeek Harness стремительно привлёк внимание, собрав более 160 000 звёзд на GitHub и 18 000 форков на момент публикации этой статьи.

Одна из причин — разработчики получают сильные результаты с разными моделями, не только с DeepSeek. Пользователи Reddit часто сообщают об успешном использовании, например, с Qwen3.8-27b, особенно для кодирования и длительных агентных задач.

Другая причина — автономность и гибкость. Пользователи отмечают, что Harness способен выполнять многошаговые задачи, восстанавливаться после ошибок, работать с длинным контекстом и продолжать без постоянного вмешательства. Плагинная архитектура упрощает замену моделей, добавление инструментов и кастомизацию рабочего процесса агента вместо жёсткой привязки к одной конфигурации.

Если вы сравниваете Harness с инструментами, на замену которым он рассчитан, наше руководство по альтернативам Claude Code сопоставляет сем основных вариантов бок о бок.

Ключевые возможности DeepSeek Harness

Вот некоторые из основных функций:

Плагинная архитектура: Большинство частей агента можно расширять или заменять через плагины, что упрощает настройку вашей среды.
Локальный Web UI: Запуск dsh web предоставляет 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 пайплайнов 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 в конфигурацию по умолчанию и использует тот же ключ DeepSeek API, что и модель.
Режим кода (Code Mode): Harness может предоставлять инструменты через режим исполнения на основе кода, давая агенту больше контроля над тем, как он комбинирует и выполняет вызовы инструментов.
Trajectory: Представление Trajectory позволяет пошагово изучать действия агента: ответы модели, вызовы инструментов, вложенную активность инструментов, тайминги и расход токенов.
Пресеты агентов: Можно создавать разные конфигурации агентов с собственными инструментами и промптами и использовать их в разных сессиях.
Статистика сессии: Harness отслеживает полезные метрики, такие как ходы, шаги, время модели, время инструментов, время до первого токена и время декодирования.
Субагенты: Главный агент может делегировать части задачи дочерним агентам — это полезно для сложных рабочих процессов.
Плагины сообщества: Сторонние плагины добавляют возможности, недоступные в базовой модели. В этом руководстве мы использовали ModLens, чтобы добавить поддержку зрения.
Лицензия MIT: DeepSeek Harness — проект с открытым исходным кодом под либеральной лицензией MIT.

Главное преимущество — вы не привязаны к одной модели, одному набору инструментов или одному типу агента. Можно начать с конфигурации по умолчанию и постепенно добавлять или заменять компоненты по мере экспериментов с разными 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, 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 так:

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

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

node --version
npm --version

У меня было так:

v24.19.0
11.17.0

Необязательно иметь точно такие версии. Главное — достаточно новая версия Node.js.

Установите DeepSeek Harness

Далее установим сам DeepSeek Harness.

В официальном квикстарте используется npx, но я предпочитаю глобальную установку, чтобы на протяжении руководства просто использовать команду dsh.

Выполните:

npm install -g @deepseek-ai/dsh

Затем проверьте установку:

dsh --version

На момент тестирования этого руководства у меня была версия:

0.1.0-rc.7

Установите pnpm

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

npm install -g pnpm

Настройте ключи API

Для этого туториала нам нужны только два ключа API:

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

Сначала настроим ключ DeepSeek, так как он нужен для кодирования и веб‑поиска, а ключ Gemini добавим позже, когда подключим зрение через ModLens.

Для DeepSeek необходимо создать аккаунт, сгенерировать ключ API и пополнить баланс. Для этого руководства рекомендую пополнить минимум на $2 — этого с запасом хватит для тестов без крупного аванса.

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 этой конфигурации в том, что отдельный API для веб‑поиска не нужен. DeepSeek Harness уже включает провайдера веб‑поиска DeepSeek и использует тот же DEEPSEEK_API_KEY.

Ключ DeepSeek API можно также добавить позже в Settings → Models в веб‑интерфейсе.

Как запустить DeepSeek Harness?

Теперь, когда всё настроено, можно запустить DeepSeek Harness и открыть Web UI. Просто выполните dsh web — это поднимет браузерный интерфейс на порту 3080 по умолчанию.

Откройте в браузере адрес http://127.0.0.1:3080 — там будет интерфейс.

Создайте новое рабочее пространство или выберите существующее, запустите новую сессию и выберите модель DeepSeek, которую хотите использовать.

Когда сессия будет готова, можно приступать к тестированию кодирования, веб‑поиска, зрения и поддержки сторонних моделей.

Как использовать DeepSeek Harness для кодирования

Теперь, когда DeepSeek Harness запущен, проверим ключевые 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 файл Python, отредактировать код и запускать команды в рабочем пространстве.

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

Чтобы глубже раскрыть потенциал моделей DeepSeek, на которых работает Harness, наш туториал по DeepSeek V4 API разбирает режимы рассуждений V4 и параметры API в Python.

Как использовать DeepSeek Harness для веб‑поиска

Далее проверим веб‑поиск. Дополнительная настройка не требуется, поскольку 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 интернете и вернёт сводку с источниками.

Во время работы откройте вкладку Trajectory. Вы увидите вызовы инструментов, например SUBTOOL: web_search.

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

Как использовать DeepSeek для задач компьютерного зрения

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

Установите плагин ModLens

Когда вы загружаете изображение, ModLens обрабатывает его с помощью модели зрения, 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 добавляет инструмент modlens_read_image и создаёт варианты моделей, например ``DeepSeek-V4-Flash (modlens vision)`.

Эти варианты позволяют загружать изображения, сохраняя DeepSeek в роли основной модели рассуждений.

Зарегистрируйте бэкенд для зрения

В этом руководстве мы будем использовать Gemini API в качестве бэкенда зрения, поэтому нужен ключ Gemini API. Можно начать с бесплатного тарифа Gemini API. Google предоставляет бесплатный доступ к поддерживаемым моделям Gemini в пределах лимитов Free Tier, поэтому добавлять платёжные данные для тестирования по этому руководству 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 протестируем понимание изображений.

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

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

Как видно на примере выше, DeepSeek теперь может описывать загруженное изображение и рассуждать о нём.

За кадром ModLens отправляет изображение в Gemini для визуального понимания и возвращает извлечённую информацию в DeepSeek. Это позволяет сохранить DeepSeek основной моделью рассуждений, используя Gemini только для части зрения.

Как использовать DeepSeek Harness со сторонней моделью

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

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

Также можно добавить кастомного провайдера, если вы хотите подключить само‑хостимую модель или другую совместимую конечную точку. Это позволяет задать такие параметры, как ID провайдера, базовый URL, тип API, учётные данные и название модели.

После добавления провайдера вернитесь в сессию и выберите новую модель в списке моделей.

Например, попробуйте такой 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 приведённом примере сторонняя модель Kimi-K3 решает задачу по кодированию, демонстрируя, что DeepSeek Harness не ограничен моделями DeepSeek.

Переключаться между настроенными моделями можно прямо в списке моделей, изменения применяются к следующему запросу без перезапуска сервера Harness.

Итоги

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 построены вокруг экосистемы плагинов. Можно устанавливать разные расширения и наделять вашего агента по кодированию дополнительными возможностями по мере необходимости. Эта гибкость полезна, но в моих тестах я всё ещё не до конца разделяю ажиотаж вокруг DeepSeek Harness. В целом опыт показался вполне обычным по сравнению с другими агентами для кодирования, которыми я уже пользовался.

Я также столкнулся с рядом раздражающих моментов. Иногда агент останавливался посреди задачи без объяснений, и мне приходилось вводить continue, чтобы он продолжил. Установка и настройка плагинов — ещё одна боль. Это может быть довольно сложно, если вы точно не знаете, что делаете, а текущая документация мало помогает.

Тем не менее DeepSeek Harness — очень новый продукт, поэтому такие проблемы понятны. Ожидаю, что со временем улучшатся опыт, документация и экосистема плагинов. Возможно, DeepSeek создаёт harness, который особенно хорошо работает с их собственными моделями — это тоже может объяснять волну интереса.

Что такое DeepSeek Harness?

DeepSeek Harness (dsh) — это открытый фреймворк агента под лицензией MIT от DeepSeek AI, построенный на идее, что «всё — это плагин». Модели, инструменты, интерфейсы и даже цикл агента можно взаимозаменять. Он запускается как локальный агент для кодирования с веб‑интерфейсом в браузере и в безголовом режиме, и не привязан к конкретным моделям, поэтому вы не ограничены только моделями DeepSeek. Запуск в виде developer preview состоялся в августе 2026 года, продукт быстро развивается.

Бесплатен ли DeepSeek Harness?

Сам harness — бесплатный и открытый под лицензией MIT, так что вы можете устанавливать, модифицировать и размещать его у себя без затрат. Платить нужно за модель, стоящую за ним: вам потребуется 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 направить кастомного провайдера на любой совместимый с OpenAI endpoint, включая само‑хостимую или локальную модель. Переключаться между настроенными моделями можно из списка моделей без перезапуска сервера.

Чем DeepSeek Harness отличается от Claude Code?

Оба — harness‑решения для агентов, но Claude Code — закрытый продукт, привязанный к моделям Anthropic, тогда как DeepSeek Harness — под лицензией MIT и не привязан к моделям. Каждая возможность, вплоть до цикла агента, — заменяемый плагин. Harness также намного моложе: это developer preview с ожидаемыми несовместимыми изменениями, в отличие от зрелого продукта.

Как добавить понимание изображений (зрение) в DeepSeek Harness?

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

Темы

AI Agents

Искусственный интеллект