DeepSeek Harness-handledning: Kom igång med den mest populära öppna AI‑agenten

Lär dig hur du ställer in och testar DeepSeek Harness, en öppen källkods‑AI‑kodagent med pluginstöd, webbsökning, vision, DeepSeek‑modeller, Gemini, ModLens, tredjepartsmodeller och agentiska arbetsflöden.

Uppdaterad 20 aug. 2026 · 10 min läsa

Utforska med AI

ChatGPT Claude Perplexity

DeepSeek Harness är en av de mest omtalade öppna källkodsbaserade AI-agenterna just nu och tar en helt annan väg än de flesta kodassistenter: allt är ett plugin.

I den här guiden ska vi ställa in DeepSeek Harness från grunden och bygga en praktisk agentmiljö med DeepSeek som huvudmodell, DeepSeeks inbyggda webbsökning för uppdaterad information och ModLens med Gemini för bildförståelse. Därefter kör vi igång Harness Web UI och testar dess förmåga inom kodning, webbsökning, vision och tredjepartsmodeller.

Om du är ny på hur agenter planerar, anropar verktyg och agerar självständigt täcker AI Agent Fundamentals färdighetsspåret kärnkoncepten innan du börjar bygga.

Vad är DeepSeek Harness?

DeepSeek Harness är ett öppet källkodsramverk för AI-agenter från DeepSeek AI, utformat för utvecklare som vill ha mer kontroll över hur AI-agenter fungerar.

I stället för att låsa in användare i en fast kodassistent eller arbetsflöde följer Harness ett ”allt är ett plugin”-tänk: modeller, verktyg, gränssnitt och agentbeteende kan alla läggas till, tas bort eller bytas ut beroende på hur du vill använda ramverket.

Om du fortfarande inte är 100 % säker på vad termen betyder rekommenderar jag vår guide som besvarar frågan "What is an agent harness?"

Varför är DeepSeek Harness populärt?

DeepSeek Harness har fått uppmärksamhet mycket snabbt och nått över 160 000 GitHub‑stjärnor och 18 000 forks när denna artikel publicerades.

En stor orsak är att utvecklare upplever att det levererar starka resultat med olika modeller, inte bara DeepSeek. Reddit-användare rapporterar ofta att de använder det framgångsrikt med modeller som Qwen3.8-27b, särskilt för kodning och längre agentiska uppgifter.

En annan anledning är dess autonomi och flexibilitet. Användare rapporterar att Harness kan arbeta vidare genom flerstegsuppgifter, återhämta sig från fel, hantera långa kontexter och fortsätta utan ständig handpåläggning. Dess plugin-baserade design gör det också enkelt att byta modeller, lägga till verktyg och anpassa agentens arbetsflöde i stället för att vara låst vid en enda uppsättning.

Om du väger Harness mot verktygen det är tänkt att konkurrera med jämför vår guide till alternativ till Claude Code sju av huvudalternativen sida vid sida.

Viktiga funktioner i DeepSeek Harness

Här är några av huvudfunktionerna:

Plugin-baserad arkitektur: De flesta delar av agenten kan utökas eller bytas ut via plugins, vilket gör det enklare att anpassa din uppsättning.
Lokal webb‑UI: Att köra dsh web ger dig ett webbläsarbaserat gränssnitt där du kan hantera modeller, sessioner, arbetsytor, inställningar och agenter.
Python‑SDK: deepseek-harness-sdk låter dig köra Harness‑agenter direkt från Python‑applikationer, skript, tester och automationsflöden.
Flera modellleverantörer: Du är inte begränsad till DeepSeek‑modeller. Du kan använda leverantörer som OpenAI och Anthropic eller koppla din egen kompatibla endpoint.
Verktygsanrop: Agenter kan anropa verktyg för att utföra åtgärder i stället för att bara generera text.
Fil- och terminalverktyg: Harness inkluderar verktyg för att läsa, söka och redigera filer, tillsammans med Bash på Linux och macOS samt PowerShell på Windows.
Inbyggd webbsökning: DeepSeeks webbsöksleverantör ingår i standardkonfigurationen och använder samma DeepSeek‑API‑nyckel som modellen.
Code Mode: Harness kan exponera verktyg via ett kodbaserat exekveringsläge, vilket ger agenten mer kontroll över hur den kombinerar och kör verktygsanrop.
Trajectory: Trajectory‑vyn låter dig granska vad agenten gör steg för steg, inklusive modellsvar, verktygsanrop, nästlad verktygsaktivitet, tidsåtgång och tokenanvändning.
Agentpresets: Du kan skapa olika agentuppsättningar med egna verktyg och promptar och sedan använda dem i olika sessioner.
Sessionsstatistik: Harness spårar användbar information såsom turer, steg, modelldtid, verktygstid, tid till första token och avkodningstid.
Underagenter: En huvudagent kan delegera delar av en uppgift till underagenter, vilket är användbart för mer komplexa arbetsflöden.
Community‑plugins: Tredjepartsplugins kan lägga till extra kapabiliteter som inte finns i basmodellen. I den här guiden använde vi ModLens för att lägga till visionstöd.
MIT‑licensierat: DeepSeek Harness är öppen källkod och släpps under den tillåtande MIT‑licensen.

Den största fördelen är att du inte är bunden till en modell, en verktygsuppsättning eller en typ av agent. Du kan börja med standarduppsättningen och gradvis lägga till eller byta ut komponenter medan du experimenterar med olika arbetsflöden.

Hur ställer jag in DeepSeek Harness?

Vi börjar med att installera DeepSeek Harness och ställa in allt vi behöver för resten av guiden. Vi installerar Node.js, DeepSeek Harness och pnpm och lägger sedan till våra API‑nycklar.

Installera Node.js

DeepSeek Harness körs på Node.js. Eftersom vi även kommer att använda ModLens senare för vision rekommenderar jag Node.js 22.19 eller nyare.

Om du använder Ubuntu eller Debian kan du installera Node.js med:

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

När det är installerat, kontrollera att både Node.js och npm fungerar:

node --version
npm --version

På min uppsättning fick jag:

v24.19.0
11.17.0

Du behöver inte ha exakt samma versioner. Så länge du kör en tillräckligt ny version av Node.js är du redo att köra.

Installera DeepSeek Harness

Nästa steg är att installera själva DeepSeek Harness.

Den officiella snabbstarten använder npx, men jag föredrar att installera det globalt så att vi helt enkelt kan använda kommandot dsh genom hela guiden.

Kör:

npm install -g @deepseek-ai/dsh

Kontrollera sedan att det installerades korrekt:

dsh --version

När jag testade denna guide använde jag:

0.1.0-rc.7

Installera pnpm

Vi behöver också pnpm. DeepSeek Harness använder det när vi lägger till eller tar bort plugins. Installera det globalt:

npm install -g pnpm

Ställ in API‑nycklarna

För den här handledningen behöver vi bara två API‑nycklar:

DeepSeek‑API-nyckel: används för DeepSeek‑modellen och dess inbyggda webbsökning.
Gemini‑API‑nyckel: används av ModLens för bildförståelse.

Vi ställer in DeepSeek‑nyckeln nu, eftersom det är allt vi behöver för kodning och webbsökning, och lägger till Gemini‑nyckeln senare när vi lägger till vision med ModLens.

För DeepSeek behöver du skapa ett DeepSeek‑konto, generera en API‑nyckel och sätta in kredit på ditt konto. För den här guiden rekommenderar jag att lägga till minst 2 $ i kredit, vilket bör vara mer än nog för att testa exemplen utan att lägga in ett stort belopp i förskott.

När du har API‑nyckeln lägger du till den i din miljö.

På Linux eller macOS:

export DEEPSEEK_API_KEY="your_deepseek_api_key"

På Windows PowerShell:

$env:DEEPSEEK_API_KEY="your_deepseek_api_key"

En trevlig sak med den här konfigurationen är att vi inte behöver ett separat webbsöknings‑API. DeepSeek Harness inkluderar redan DeepSeeks webbsöksleverantör och använder samma DEEPSEEK_API_KEY.

Du kan också lägga till din DeepSeek‑API‑nyckel senare via Settings → Models i webbgränssnittet.

Hur startar jag DeepSeek Harness?

Nu när allt är konfigurerat kan vi starta DeepSeek Harness och öppna webb‑UI:t. Kör helt enkelt dsh web, som startar webbläsargränssnittet på port 3080 som standard.

Du ser UI:t när du öppnar adressen http://127.0.0.1:3080 i din webbläsare.

Därifrån skapar du en ny arbetsyta eller väljer en befintlig, startar en ny session och väljer den DeepSeek‑modell du vill använda.

När sessionen är redo kan vi börja testa kodning, webbsökning, vision och stöd för tredjepartsmodeller.

Så använder du DeepSeek Harness för kodning

Nu när DeepSeek Harness körs kan vi testa huvudkapabiliteterna i vår uppsättning. Vi börjar med en enkel koduppgift:

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

DeepSeek Harness kan arbeta direkt med filer och terminalen, så den kan skapa Python‑filen, redigera koden och köra kommandon i arbetsytan.

När uppgiften är klar bör du se den genererade filen och instruktioner för hur du kör den.

För att få ut mer av DeepSeek‑modellerna som driver Harness går vår handledning om DeepSeek V4‑API igenom V4‑resoneringslägen och API‑parametrar i Python.

Så använder du DeepSeek Harness för webbsökning

Därefter testar vi webbsökning. Ingen extra konfiguration krävs eftersom DeepSeek Harness redan inkluderar DeepSeeks webbsöksleverantör.

Testa en prompt som:

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

Agenten bör söka på webben och returnera en sammanfattning med källor.

Medan den arbetar kan du öppna fliken Trajectory. Du bör se verktygsanrop som SUBTOOL: web_search.

Detta visar att agenten faktiskt använder webbsöksverktyget i stället för att bara förlita sig på modellens befintliga kunskap. Som standard hanteras denna sökning av leverantören deepseek-official och använder samma DEEPSEEK_API_KEY som vi konfigurerade tidigare.

Så använder du DeepSeek för visionuppgifter

DeepSeeks chattmodell i Harness är endast text, så den kan inte förstå uppladdade bilder på egen hand. För att lägga till visionstöd använder vi ModLens, som fungerar som en brygga mellan DeepSeek och en bildförståelseduktig modell.

Installera ModLens‑pluginet

När du laddar upp en bild bearbetar ModLens den med en visionsmodell, extraherar användbar visuell information och skickar tillbaka den till DeepSeek så att den kan resonera om bilden.

Börja med att installera ModLens‑pluginet i web‑profilen:

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

När det är installerat lägger ModLens till verktyget modlens_read_image och skapar modellalternativ som ``DeepSeek-V4-Flash (modlens vision)`.

Dessa modellvarianter låter dig ladda upp bilder samtidigt som du använder DeepSeek som huvudmodell för resonemang.

Registrera din vision‑backend

I den här guiden använder vi Gemini‑API som vision‑backend, så vi behöver en Gemini‑API‑nyckel. Du kan börja med Gemini API Free Tier. Google tillhandahåller gratis åtkomst till stödda Gemini‑modeller inom Free Tier‑gränserna, så du behöver inte lägga till betalningsuppgifter bara för att testa visionsuppsättningen i den här guiden.

När du har din nyckel lägger du till den i din miljö.

På Linux eller macOS:

export GEMINI_API_KEY="your_gemini_api_key"

På Windows PowerShell:

$env:GEMINI_API_KEY="your_gemini_api_key"

Installera och konfigurera ModLens‑CLI

Installera sedan ModLens‑CLI:

npm install -g @liustack/modlens

Konfigurera det sedan med Gemini‑API‑nyckeln.

På Linux eller macOS:

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

På Windows PowerShell:

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

Slutligen, kontrollera att allt fungerar:

modlens doctor

Du bör se att gemini-api är valt som leverantör och rapporteras som redo.

Testa DeepSeek Harness med ModLens

Nu testar vi bildförståelse.

Välj i modellväljaren en av modellerna med (modlens vision) i namnet, till exempel DeepSeek-V4-Flash (modlens vision).

Klistra in eller ladda upp en bild och fråga sedan: Explain what is shown in this image.

Som visas i exemplet ovan kan DeepSeek nu beskriva och resonera om den uppladdade bilden.

I bakgrunden skickar ModLens bilden till Gemini för visuell förståelse och skickar tillbaka den extraherade informationen till DeepSeek. Det betyder att vi kan behålla DeepSeek som huvudsaklig resoneringsmodell medan vi använder Gemini endast för visionsdelen.

Så använder du DeepSeek Harness med en tredjepartsmodell

Avslutningsvis provar vi en modell från en annan leverantör. Öppna Settings → Models.

Härifrån kan du lägga till leverantörer som OpenAI och Anthropic, eller konfigurera en annan stödd modellleverantör med dina egna API‑uppgifter.

Du kan också lägga till en anpassad leverantör om du vill koppla en självhostad modell eller en annan kompatibel endpoint. Det låter dig konfigurera detaljer som leverantörs‑ID, bas‑URL, API‑typ, autentiseringsuppgifter och modellnamn.

När leverantören är tillagd går du tillbaka till din session och väljer den nya modellen i modellväljaren.

Testa till exempel följande 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.

Exemplet ovan använder en tredjepartsmodell, Kimi‑K3, för att slutföra koduppgiften, vilket visar att DeepSeek Harness inte är begränsat till DeepSeek‑modeller.

Du kan växla mellan konfigurerade modeller direkt i modellväljaren, och ändringarna gäller din nästa begäran utan att du behöver starta om Harness‑servern.

Avslutande tankar

Efter att ha testat DeepSeek Harness föredrar jag fortfarande Pi Coding Agent och OpenCode för mina egna arbetsflöden.

DeepSeek Harness påminner mig mycket om Pi Coding Agent eftersom båda är byggda kring ett plugin‑ekosystem. Du kan installera olika tillägg och ge din kodagent extra förmågor beroende på vad du behöver. Den flexibiliteten är användbar, men i mina tester förstår jag fortfarande inte riktigt hypen kring DeepSeek Harness. Den övergripande upplevelsen kändes ganska normal jämfört med andra kodagenter jag redan har använt.

Jag stötte också på några frustrerande problem. Ibland stannade agenten mitt i en uppgift utan att berätta varför, och jag var tvungen att skriva continue för att få den att gå vidare igen. Att installera och konfigurera plugins var en annan stötesten. Det kan vara ganska svårt om du inte redan vet exakt vad du gör, och dokumentationen hjälper inte mycket just nu.

Med det sagt är DeepSeek Harness fortfarande en mycket ny produkt, så dessa problem är förståeliga. Jag förväntar mig att upplevelsen, dokumentationen och plugin‑ekosystemet förbättras avsevärt över tid. Det är också möjligt att DeepSeek bygger ett harness som fungerar särskilt bra med sina egna modeller, och att det kan vara en del av förklaringen till entusiasmen.