Pular para o conteúdo
LabS Atlas
Agentic AI
Entrar

DeepSeek Harness

Ir para notas que citam esta
atualizado há 25 diasEntre para perguntar ao Labinho sobre esta notaO Labinho é o assistente que responde com as notas e as sessões do LabS e mostra de onde tirou cada resposta.

DeepSeek Harness é um harness de agente de código aberto construído sobre um núcleo mínimo, em que todo recurso, seja ferramenta, provedor de modelo ou interface, entra como plugin.

A DeepSeek publicou o código-fonte em 13 de agosto de 2026, sob licença MIT, acompanhado do lema Everything is a Plugin. A proposta parte da ideia de harness: se o agente é o modelo mais tudo o que o cerca, a parte que cerca o modelo deveria ser montável peça por peça. O resultado é menos um agente pronto e mais um framework para compor agentes, no qual o usuário decide o modelo, as ferramentas, a sessão e até o laço de execução.

O projeto nasceu em developer preview, uma fase alfa aberta a quem quer testar. Os modelos da própria DeepSeek lidam bem com o harness, mas qualquer provedor entra por chave de API, e um provedor customizado permite apontar para um modelo rodando na máquina, tema de Modelos de Linguagem Locais em Agentes.

O núcleo fixo e o que ele coordena

Só uma peça do DeepSeek Harness não é plugável: o kernel. Ele não implementa ferramentas nem fala com provedores; coordena a ligação entre plugins, ferramentas, contexto de modelo, agentes e subagentes, sessão e interface gráfica. Descrito como meta-framework de composabilidade espaço-temporal, ele permite adicionar e remover peças em tempo real sem quebrar o sistema.

A imagem que resume o papel é a de um coordenador de palco: ele não toca nem canta, mas sabe quando cada músico entra, de quanto som precisa e que equipamento recolher na saída. Na prática, o kernel conhece cada plugin pela descrição que o desenvolvedor escreveu sobre o que ele faz, do mesmo modo que a descrição de uma ferramenta orienta o agente no N8N. Ele também resolve dependências em cadeia (um agente que usa uma ferramenta que precisa de uma subferramenta) e, na remoção, desfaz essas ligações para não deixar resíduo que cause incompatibilidade. Ao redor dele, o runtime do agente organiza o ciclo de execução e monta a árvore de ferramentas, declarada num arquivo de configuração central em YAML.

Framework para compor agentes versus agente pronto

A comparação natural é com o Claude Code. O contraste mostra o trade-off entre liberdade e maturidade.

DimensãoDeepSeek HarnessClaude Code
PropostaFramework para compor agentesAgente de programação pronto para uso
Laço do agenteDefinido e composto pelo usuário, inclusive em cadeiasJá vem estruturado
ModeloQualquer provedor ou modelo local, trocado como pluginApenas modelos da Anthropic
ExtensãoTudo é plugin, até o laçoSlash commands, hooks, skills, subagentes e ferramentas nativas
ConfiguraçãoArquivo central que declara a árvore de pluginsCLAUDE.md, settings.json e mcp.json
Melhor paraExperimentar arquiteturas de agenteEscrever código no dia a dia

A liberdade de modelo é o diferencial mais citado do DeepSeek Harness. Num teste de geração de um jogo simples com modelo remoto, o DeepSeek Harness concluiu o laço em cerca de um minuto e vinte segundos, contra quinze a vinte minutos observados para o mesmo prompt no Claude Code.

Modos de permissão como decisão de autonomia

Todo agente de código precisa decidir quanto pode agir sem perguntar. O DeepSeek Harness oferece três modos: no padrão, o agente trabalha no workspace e pede acesso quando precisa sair dele; em full access, alcança a máquina inteira; em read only, pede permissão para qualquer ação. O Claude Code tem a mesma escala, alternada por atalho de teclado, do modo manual até um modo automático sem confirmações.

Acesso total tem custo

No modo de acesso total, o agente opera na máquina inteira sem que o usuário acompanhe cada passo. A escolha do modo deve seguir o risco da tarefa, não a conveniência.

Maturidade e uso em projeto real

A evolução é rápida a ponto de duas instalações com um dia de diferença mostrarem interfaces distintas, e problemas de compatibilidade são esperados. O uso em projeto real é possível, com ressalvas: funciona bem em cenários simples, e modelos locais falham em implementações longas por limite de saída. Enquanto o projeto estiver em preview, a escolha prudente é experimentar em cenários controlados e esperar a versão estável antes de adotá-lo em produção.