DeepSeeks öppna agentplattform – funktioner, modeller, pris och installation

DeepSeek har tagit ett tydligt steg från att bara bygga språkmodeller till att också bygga infrastrukturen runt AI-agenter. Det nya projektet heter DeepSeek Harness, körs med kommandot `dsh` och är publicerat som öppen källkod under MIT-licens.

Det viktigaste att förstå är att DeepSeek Harness inte är en ny AI-modell. Det är körlagret runt modellen – systemet som låter en modell läsa och redigera filer, köra terminalkommandon, använda verktyg, arbeta med subagenter, hålla reda på sessioner, följa behörighetsregler och fortsätta arbeta över flera steg.

DeepSeek sammanfattar själv idén som:

> Agent = Model + Harness

Det är en viktig distinktion. En stark modell kan resonera och skriva kod, men utan ett bra harness saknar den i praktiken händer, verktyg, arbetsyta, minne och tydliga säkerhetsgränser. DeepSeek Harness försöker göra just det lagret öppet, modulärt och utbytbart.

Projektet befinner sig fortfarande i developer preview, men intresset har varit extremt stort. Den 19 augusti 2026 visar GitHub omkring 164 000 stjärnor och över 17 000 forks för det officiella repot. Siffrorna förändras snabbt, men de visar att projektet på bara några dagar har blivit ett av de mest uppmärksammade nya agentprojekten på GitHub.

Kort sammanfattning

DeepSeek Harness passar framför allt utvecklare som vill bygga eller köra AI-agenter med full kontroll över hur modellen får arbeta.

Det sticker ut genom att:

• vara öppen källkod under MIT-licens
• behandla nästan hela agentmiljön som plugins
• kunna använda fler modellleverantörer än bara DeepSeek
• ha en komplett lokal Web UI
• stödja filredigering, shell, webbsökning, skills, planering, subagenter och workflows
• logga agentens körning i en append-only session log
• ha flera färdiga agentlägen: Standard, Code, Minimal och Creator
• separera modellens instruktioner från sandbox och approval-policy
• kunna köras från npm, från källkod och via ett Python-SDK
• kunna kopplas till egna eller självhostade OpenAI-kompatibla modellservrar

Den stora reservationen är att DeepSeek uttryckligen varnar för kompatibilitetsbrytande ändringar. Det här är alltså ännu inte ett färdigstabiliserat produktlager som man bör rulla ut okritiskt i känsliga produktionsmiljöer.

---

Vad är ett AI-harness?

Ordet har blivit allt vanligare i agentvärlden.

Själva språkmodellen står för intelligensen. Den bestämmer exempelvis att en fil behöver öppnas, att ett test måste köras eller att ett fel ska rättas. Men modellen kan inte automatiskt göra detta på din dator bara för att den kan formulera ett svar.

Ett agent-harness kopplar därför modellen till verkliga resurser:

Språkmodell
    ↓
Agent-loop
    ↓
Verktyg och policies
    ↓
Filer / terminal / webb / API:er / subagenter
    ↓
Resultat tillbaka till modellen
    ↓
Nästa beslut

Harnesset ansvarar bland annat för:

1. vilka verktyg modellen får se
2. hur ett verktygsanrop exekveras
3. vilka filer agenten får nå
4. när användaren måste godkänna en åtgärd
5. hur resultat returneras till modellen
6. hur kontext och sessioner sparas
7. när agenten ska fortsätta respektive avsluta
8. hur hela körningen kan granskas i efterhand

Det är därför kvaliteten på agentens harness kan påverka slutresultatet nästan lika mycket som valet av modell.

---

Vad gör DeepSeek Harness?

DeepSeek beskriver Harness som en miljö där allt är ett plugin.

Det gäller inte bara extra funktioner. Även centrala delar som modelladapter, verktygsregister, sessioner och själva agent-loopen är utbytbara komponenter.

Den underliggande pluginarkitekturen heter Cordis.

Cordis hanterar bland annat:

• montering och avmontering av plugins
• beroenden
• delade services
• typade events
• utbytbara implementationer
• konfiguration av agentens olika lager

Det innebär att utvecklaren i många fall kan ändra hur agenten fungerar genom konfiguration eller ett eget plugin i stället för att behöva forka och bygga om kärnan.

Det är här DeepSeek Harness skiljer sig från många färdiga AI-kodassistenter. En traditionell kodagent är ofta en produkt med en relativt fixerad uppsättning modeller, verktyg och flöden. DeepSeek Harness är snarare en byggsats för agent-runtime.

---

”Everything is a plugin” är den stora idén

DeepSeek listar själva följande delar som plugins:

• modeller
• verktyg
• skills
• sessioner
• sandboxes
• lagring
• agent-loops
• schemaläggning
• användargränssnitt

Det här gör arkitekturen ovanligt komponerbar.

En organisation skulle exempelvis kunna använda:

egen modellgateway
+
eget filsystemlager
+
egen approval-policy
+
egna tools
+
egna skills
+
egen session storage
+
DeepSeeks standard-agent-loop
+
DeepSeek Web UI

En annan installation skulle kunna byta ut nästan alla dessa komponenter men ändå använda samma övergripande Harness.

Det är ett mer infrastrukturellt sätt att tänka på AI-agenter än att bara välja en modell och skriva en lång systemprompt.

---

Fyra agentlägen

DeepSeek Harness levereras med fyra tydliga arbetssätt.

1. Standard mode

Det här är det normala fullständiga coding-agentläget.

Standard mode innehåller bland annat:

• filredigering
• shell
• filsökning
• webbsökning
• skills
• planering
• mål
• subagenter
• workflows

För de flesta som vill använda Harness som en avancerad lokal kodagent är detta den naturliga startpunkten.

2. Code mode

Code mode innehåller funktionerna från Standard mode men exponerar verktygen genom ett Code Mode-SDK.

Modellen kan då skriva ett TypeScript-program som kombinerar flera operationer i ett mer sammanhållet flöde i stället för att alltid göra ett separat traditionellt tool call för varje steg.

Det kan vara användbart när en uppgift kräver många relaterade operationer och agenten behöver orkestrera dem mer programmatiskt.

3. Minimal mode

Minimal mode skalar ned miljön till två centrala verktyg:

• persistent bash
• `str_replace_editor`

Syftet är bland annat att testa modellens agentförmåga i en enklare och mer kontrollerad miljö.

DeepSeek har också använt Harness Minimal mode när bolaget testat V4-Flash på flera offentliga Code Agent-benchmarks.

4. Creator mode

Creator mode är det mest intressanta läget för den som faktiskt vill bygga egna agentkonfigurationer.

Det ger Standard mode-funktionerna och lägger till stöd för:

• runtime-inspektion
• pluginexperiment i minnet
• arbete med Cordis
• vägledning för att skapa egna agent-presets

Det gör Harness till mer än en coding assistant. Det blir även ett verktyg för att konstruera nya typer av agenter.

---

Varje körning går att spåra

En av de starkaste designidéerna är DeepSeeks append-only session log.

Harness registrerar vad modellen faktiskt har sett och gjort, bland annat:

• systemprompt
• resonemangsdata som exponeras i runtime
• tool calls
• tool results
• subagent-schemaläggning
• kontextinjektioner
• sessionshändelser

I gränssnittets Trajectory view kan utvecklaren följa en körning och se var olika delar kommer ifrån.

Samma eventström används för funktioner som:

• resume
• fork
• search
• replay

Det är värdefullt när en agent börjar bete sig fel. I stället för att bara se slutsvaret kan man undersöka vilken kontext modellen hade, vilka verktyg den anropade och vad verktygen faktiskt returnerade.

För utveckling, debugging och evals är detta ett stort plus.

---

Så installerar du DeepSeek Harness

Den snabbaste vägen är via npm.

Steg 1: installera Node.js

DeepSeek kräver Node.js för den enkla `npx`-starten.

Steg 2: starta Web UI

Öppna terminalen i den mapp där du vill arbeta och kör:

npx @deepseek-ai/dsh web

DeepSeek Harness startar då sitt lokala Web UI.

Standardadressen är:

http://127.0.0.1:3080

Steg 3: lägg in din modellnyckel

Öppna:

Settings → Models

För DeepSeek anger du din DeepSeek API-nyckel och sparar.

Enligt DeepSeeks dokumentation lagras API-nyckeln separat i Harness credential store. Inställningarna använder sedan en referens till credentialen i stället för att lägga den hemliga nyckeln direkt i den vanliga settings-konfigurationen.

Steg 4: välj workspace

Klicka på:

Choose workspace

och välj projektmappen som agenten ska få arbeta i.

Harness använder arbetsytan som agentens konkreta miljö för filoperationer.

Steg 5: välj modell och agentläge

Välj exempelvis:

DeepSeek V4 Pro
Standard mode
Workspace Write

Exakt vilka alternativ som visas beror på din konfiguration och installerade plugins.

Steg 6: ge agenten en riktig uppgift

Exempel:

Analysera hela projektet, kör relevanta tester och förklara vilka tre tekniska problem som bör prioriteras. Ändra ingenting innan du har presenterat planen.

Eller:

Hitta varför builden misslyckas. Gör minsta möjliga ändring, kör testerna igen och visa exakt vad som ändrades.

Då arbetar modellen genom Harness i stället för att bara returnera text.

---

Installera från källkod

Den som vill utveckla Harness eller plugins kan klona det officiella repot:

git clone https://github.com/deepseek-ai/deepseek-harness.git
cd deepseek-harness
pnpm install
pnpm run build
pnpm dsh web

Det är den vägen som är mest relevant om du vill:

• läsa kärnkoden
• modifiera Cordis-konfigurationen
• utveckla egna plugins
• arbeta med interna packages
• bygga egna profiler eller bundles

För normal användning är `npx @deepseek-ai/dsh web` betydligt enklare.

---

Det finns även ett Python-SDK

DeepSeek erbjuder ett publicerat Python-SDK som programmatisk väg in i samma typ av Harness-runtime.

Det är relevant om du vill:

• starta agenter från egen Python-kod
• bygga ett eget gränssnitt
• integrera Harness i en backend
• automatisera agentkörningar
• bygga evals eller agentpipelines

DeepSeeks nuvarande SDK-guide anger Python 3.10 eller senare och visar installation via paketet:

python -m pip install deepseek-harness-sdk

Harness är alltså inte låst till att användas genom den färdiga webbsidan.

---

Det korta svaret är:

betydligt fler än DeepSeek-modeller.

Harness har ett generiskt modellager och kan konfigureras med olika providers.

DeepSeeks egna modeller

De två viktigaste modellerna i DeepSeeks nuvarande API är:

DeepSeek V4 Flash

`deepseek-v4-flash`

Det billigare och snabbare alternativet.

Passar exempelvis:

• enklare koduppgifter
• stora mängder agentkörningar
• bakgrundsjobb
• uppgifter där kostnad är viktig
• enklare research- och automationsflöden

DeepSeek V4 Pro

`deepseek-v4-pro`

Den mer kapabla modellen för svårare agentuppgifter.

DeepSeek rekommenderar olika reasoning effort-nivåer beroende på uppgiften:

• `low`
• enklare uppgifter
• `high`
• normala agentuppgifter
• `max`
• mer komplexa problem

För längre coding-agentjobb där modellen måste felsöka, planera och använda många verktyg är V4 Pro det mer naturliga valet.

---

OpenAI och Anthropic

DeepSeeks officiella Harness-dokumentation beskriver katalogbaserade providers som bland annat:

• OpenAI
• Anthropic

Du kan alltså använda Harness som runtime även om modellen kommer från en annan leverantör.

Det här är en viktig egenskap: Harness är inte arkitektoniskt låst till DeepSeek-modeller.

---

Bedrock, Vertex, Azure och Codex

Dokumentationen nämner även providerflöden med native authentication för:

• AWS Bedrock
• Google Vertex
• Azure
• Codex

Autentiseringsmetoden skiljer sig mellan leverantörerna. Det kan exempelvis handla om AWS credentials, Google ADC, Azure API-version eller OAuth i stället för en vanlig API-nyckel.

Exakt providerlista kan förändras snabbt eftersom projektet fortfarande befinner sig i developer preview.

---

Egna och självhostade modeller

En av de mest intressanta funktionerna är möjligheten att lägga till en custom provider.

Du anger då bland annat:

• provider-ID
• base URL
• API-protokoll
• credential
• modell-ID

Det innebär att Harness även kan kopplas till en företagsgateway eller en självhostad modellserver så länge den exponerar ett protokoll som Harness-adaptern kan arbeta med, exempelvis ett OpenAI-kompatibelt API.

En förenklad konfiguration kan se ut ungefär så här:

llm-pi-ai:
  providers:
    local-gateway:
      api: openai-completions
      baseURL: http://127.0.0.1:PORT/v1
      models:
        - id: my-local-model
          contextWindow: 131072
          maxTokens: 8192

För visionmodeller kan man dessutom deklarera att modellen accepterar både text och bild:

input: [text, image]

Det här gör Harness intressant för användare som vill kombinera en modern agentmiljö med lokal inference.

Det är dock viktigt att skilja på två saker:

1. Harness kan tekniskt skicka uppgifter till modellen.
2. Modellen måste själv vara tillräckligt bra på tool use och agentarbete för att resultatet ska bli bra.

Att en lokal modell går att ansluta betyder alltså inte automatiskt att den fungerar lika bra som V4 Pro i långa coding-agentuppgifter.

---

Själva Harness är gratis

DeepSeek Harness är publicerat under MIT-licens.

Det betyder att själva programvaran kan användas, modifieras och distribueras enligt MIT-licensens villkor.

Du betalar alltså inte DeepSeek någon separat licensavgift för att installera `dsh`.

Det du betalar för är modellen

Om du använder en kommersiell modell-API betalar du respektive modellleverantör för inference.

För DeepSeeks egna modeller gäller sedan den 16 augusti 2026 ett system med:

• peak-pris
• off-peak-pris

Off-peak är 50 procent billigare än peak.

Aktuella DeepSeek API-priser

Rekommenderade modeller

DeepSeek V4 Flash $0.007. $0.014. $0.22. $0.44. $0.66. $1.32

DeepSeek V4 Pro $0.022. $0.044. $0.66. $1.32. $1.98. $3.96

Det är framför allt långa agentkörningar som kan generera mycket tokenförbrukning. En agent kan exempelvis:

• läsa flera filer
• få långa tool results
• göra flera modellsteg
• använda webbsökning
• starta subagenter
• återanvända stor systemkontext

Därför är pris per enskild prompt ett dåligt mått på vad en agent faktiskt kostar.

---

Det finns två sätt att bedöma kvaliteten:

1. hur bra Harness är som agent-runtime
2. hur bra modellerna presterar när de körs i Harness

De måste hållas isär.

Arkitekturen är mycket stark

Ur ett systemdesignperspektiv är DeepSeek Harness ovanligt ambitiöst.

Särskilt starka delar är:

1. Pluginarkitekturen

Att även modelladapter, verktygsregister, sessionlogg och agent-loop kan bytas ut gör projektet mer flexibelt än ett typiskt agent-CLI.

2. Traceability

Append-only-sessionloggen och Trajectory-vyn gör det lättare att förstå varför en agent gjorde fel.

3. Separata säkerhetslager

Sandbox, approval och tool policy behandlas som separata mekanismer i stället för att all säkerhet läggs i en systemprompt.

4. Flera modellproviders

Det minskar leverantörslåsningen.

5. Flera agentpresets

Standard, Code, Minimal och Creator ger tydliga miljöer för olika typer av arbete.

6. Lokal Web UI

Man behöver inte bygga en egen frontend för att börja testa.

---

DeepSeek V4 Pro visar stark agentprestanda

I DeepSeeks aktuella officiella resultat för V4 Pro anges bland annat:

Terminal Bench 2.1 87.9

NL2Repo 61.5

Cybergym 83.3

DeepSWE 62.7

Toolathlon-Verified 74.1

Agents' Last Exam 25.7

AutomationBench (Public) 31.8

DSBench-FullStack 71.1

DSBench-Hard 67.2

För V4 Flash redovisar DeepSeek bland annat:

Terminal Bench 2.1 82.7

NL2Repo 54.2

Cybergym 76.7

DeepSWE 54.4

Toolathlon Verified 70.3

Agent Last Exam 25.2

Automation Bench (Public) 25.1

DSBench-FullStack 68.7

DSBench-Hard 59.6

DeepSeek anger uttryckligen att V4 Flash kördes med DeepSeek Harness Minimal mode på Code Agent-uppgifterna i de offentliga benchmarksviterna, med `max` effort, `top_p=0.95` och `temperature=1.0`.

Benchmarkresultat från modellleverantören ska alltid läsas med viss försiktighet. De visar att kombinationen modell + harness kan vara mycket kapabel, men de bevisar inte att varje verkligt projekt kommer att få samma träffsäkerhet.

---

Ett kraftfullt agent-harness får tillgång till betydligt mer än en vanlig chatbot.

Det kan exempelvis få möjlighet att:

• läsa filer
• skriva filer
• köra kommandon
• läsa data från webben
• använda externa verktyg
• starta andra agentprocesser

Det gör prompt injection och tool abuse mycket viktigare.

DeepSeek Harness har sandbox- och approvalmekanismer, men de eliminerar inte all risk.

En färsk säkerhetsstudie publicerad som arXiv-preprint den 17 augusti 2026 testade DeepSeek Harness i 14 560 kontrollerade körningar över 16 indirekta innehållskanaler och 12 attackmetoder.

Beroende på testläge och bedömningsmetod nådde de starkaste testade attackerna framgångstal på upp till:

• 17,0 procent i ett textscenario med LLM-baserad bedömning
• 25,5 procent för hidden-Unicode-attack i ett filscenario med regelbaserad bedömning
• 16,0 procent för skills-kanalen i ett filscenario

Det betyder inte att 25,5 procent av normala Harness-körningar komprometteras. Studien är en konstruerad attackerande testmiljö. Men den visar att man inte bör betrakta ett agent-harness som säkert bara för att det har sandbox och approvals.

För känsliga miljöer bör man därför:

• ge agenten minsta möjliga filåtkomst
• undvika `danger-full-access` som standard
• kräva approval för riskfyllda verktyg
• separera hemligheter från arbetsytan
• behandla webb- och dokumentinnehåll som opålitlig input
• logga och granska tool calls
• köra agenten i isolerad miljö när det är möjligt

---

Det mest intressanta är inte att Harness kan redigera kod. Det kan många verktyg.

Det som sticker ut är att DeepSeek försöker göra själva agentmotorn till ett öppet, komponerbart lager.

En förenklad jämförelse:

Fokus Färdig användarprodukt. Agent-runtime och byggplattform

Modell Ofta hårdare kopplad till leverantör. Flera providers och custom endpoints

Verktyg Färdig uppsättning. Pluginbaserade

Agent-loop Vanligen intern. Utbytbar plugin

Sessioner Produktfunktion. Del av plugin/event-arkitekturen

UI Färdigt. Färdigt Web UI men även utbytbart

Anpassning Settings/hooks. Profiler, bundles, patches och plugins

Självhostning Varierar. Öppen källkod

Licens Varierar. MIT

Stabilitet Ofta produktionsprodukt. Developer preview

Det gör Harness särskilt intressant för utvecklare som inte bara vill använda en agent utan vill bestämma hur agenten fungerar.

---

Under ytan komponeras en körande Harness-installation av lager.

En profil kan exempelvis bestå av:

dsh-base
+
web bundle
+
egen cordis.patch.yml
+
maskinlokal patch
+
tillfällig CLI-patch

DeepSeek beskriver `dsh-base` som baslagret som innehåller bland annat:

• modelladapters
• tools
• persistence
• sandbox
• approval policy
• settings
• credentials
• telemetry

Därefter kan Web UI eller headless-läge monteras ovanpå.

Du kan inspektera vad din installation faktiskt startar med:

dsh --profile web --dump-config

Det är en mycket utvecklarorienterad funktion och visar tydligt vilken målgrupp projektet har.

---

DeepSeek Harness skiljer mellan vad agenten vill göra och vad den faktiskt får göra.

Två centrala begrepp är:

Workspace Write

Agenten får arbeta inom den avsedda arbetsytan enligt sandbox-reglerna.

Danger Full Access

Ett mycket mer privilegierat läge där skyddsräcket är betydligt svagare.

DeepSeeks standardarkitektur kombinerar sandbox-läge och approval-policy i användarvalbara permission presets.

För normal utveckling är det klokt att börja med begränsad workspace-åtkomst och bara höja rättigheter när det verkligen behövs.

En modell är inte en betrodd operatör bara för att den är bra på kod.

---

Harness är byggt för mer än en sekventiell chatt.

Det officiella paketträdet innehåller stöd för bland annat:

• subagenter
• bakgrundsjobb
• workflows
• schemaläggning
• persistent terminal
• LSP
• skills
• webbverktyg
• filsystemverktyg
• compaction
• attachments

Det gör det möjligt att bygga flöden där huvudagenten exempelvis:

1. analyserar uppgiften
2. delegerar en researchdel till en subagent
3. låter en annan subagent granska tester
4. redigerar filer
5. kör build
6. sammanställer resultaten
7. sparar hela körningen i sessionloggen

Det är den typen av långlivad orkestrering som ordet egentligen handlar om.

---

Välj V4 Flash när:

• du vill minimera kostnad
• uppgifterna är relativt enkla
• du kör många agentjobb
• svarstid är viktig
• du vill använda enklare automation
• du accepterar att svårare uppgifter ibland kräver fler försök

Välj V4 Pro när:

• agenten ska göra större kodändringar
• felsökningen kräver många steg
• flera verktyg måste användas korrekt
• repository-level reasoning är viktigt
• agenten ska arbeta länge självständigt
• ett felaktigt beslut kostar mer än extra tokens

En bra praktisk strategi är att använda Flash för rutinjobb och Pro för uppgifter där agenten behöver högre tillförlitlighet.

---

För vissa användare: ja.

För andra: inte ännu.

Om du vill ha något som bara installeras och fungerar med så lite konfiguration som möjligt finns enklare coding-agentprodukter.

DeepSeek Harness blir mer intressant när du vill:

• byta modellleverantör
• köra lokala modeller
• skapa egna tools
• skapa egna agentlägen
• bygga in agenten i ett eget system
• styra sandbox och approvals
• analysera fulla agent trajectories
• experimentera med hur själva agent-loopen fungerar

Det är därför bättre att se Harness som en öppen agentplattform med färdig coding-agent ovanpå, snarare än bara ännu en terminalchatt.

---

Inte som ett okritiskt standardval.

DeepSeek skriver själva att projektet befinner sig i developer preview, utvecklas snabbt och kommer att få kompatibilitetsbrytande ändringar.

Det betyder att du bör räkna med:

• ändrade konfigurationsformat
• ändrade plugin-API:er
• buggar
• förändrade presets
• förändrade providerintegrationer
• migreringsarbete mellan versioner

För experiment, intern utveckling och agentforskning är projektet redan mycket intressant.

För affärskritiska system bör man låsa versioner, isolera miljön, ha egna tester och vara beredd på att uppgraderingar kräver arbete.

---

Betyg: 8,5/10 som agentplattform i developer preview.

DeepSeek Harness är ett av de mest intressanta öppna agentprojekten just nu eftersom DeepSeek inte nöjer sig med att bygga en modellwrapper. De försöker öppna hela lagret mellan modell och verklig exekvering.

De största styrkorna är:

• ovanligt genomtänkt pluginarkitektur
• mycket stark spårbarhet
• flera modellproviders
• bra Web UI
• tydliga agentlägen
• sandbox och approval som separata kontrollmekanismer
• MIT-licens
• möjlighet att skapa helt egna agentmiljöer

Det som drar ned betyget är framför allt mognaden.

Developer preview-statusen är inte en kosmetisk etikett. Harness har en stor och snabbföränderlig kodbas, och säkerhetsforskningen visar dessutom att agentiska system fortfarande är utsatta för indirekt prompt injection.

För utvecklare som vill förstå vart agentplattformar är på väg är DeepSeek Harness däremot ett projekt man bör följa mycket noggrant.

---

Är DeepSeek Harness en AI-modell?

Nej. DeepSeek Harness är programvarulagret runt en modell. Modellen står för intelligensen, medan Harness kopplar den till verktyg, filer, terminal, sessioner, sandbox och andra funktioner.

Är DeepSeek Harness gratis?

Ja, själva Harness är öppen källkod under MIT-licens. Om du använder en betald modell-API tillkommer modellkostnaden.

Måste jag använda DeepSeek V4?

Nej. Harness stöder flera modellproviders och custom endpoints.

Kan jag använda en lokal modell?

Ja, om du konfigurerar en självhostad modellserver eller gateway som exponerar ett protokoll Harness kan använda, exempelvis ett OpenAI-kompatibelt API. Hur bra agenten fungerar beror sedan på modellens egen förmåga till tool use och lång agentisk problemlösning.

Finns det ett grafiskt gränssnitt?

Ja. Kör:

npx @deepseek-ai/dsh web

Web UI startar normalt på `127.0.0.1:3080`.

Kan Harness ändra filer och köra terminalkommandon?

Ja. Standard mode kan bland annat redigera filer, använda shell, söka i filer och på webben, arbeta med skills, planera, använda subagenter och workflows.

Vad är Minimal mode?

Det är ett nedskalat agentläge med persistent bash och `str_replace_editor`. Det är användbart för benchmarking och för att testa modeller med mindre agentinfrastruktur.

Vad är Creator mode?

Ett läge för den som vill utveckla egna agent-presets och experimentera med Cordis-plugins och den aktuella runtime-konfigurationen.

Är DeepSeek Harness säkert?

Det har sandbox-, permission- och approvalmekanismer, men ingen agentmiljö med verktygsåtkomst bör betraktas som riskfri. En färsk säkerhetsstudie har demonstrerat fungerande indirekta prompt-injection-attacker i kontrollerade testmiljöer.

Vilken DeepSeek-modell är bäst i Harness?

V4 Pro är det naturliga valet för svåra, långvariga agentuppgifter. V4 Flash är betydligt billigare och kan vara mer kostnadseffektivt för enklare och högvolymbaserade jobb.

---

DeepSeek Harness är ett tecken på en större förändring inom AI.

Konkurrensen handlar inte längre bara om vilken modell som har högst benchmarkpoäng. Den handlar allt mer om vilket system som bäst kan förvandla modellens intelligens till faktiskt arbete.

DeepSeek har med Harness gjort det lagret till ett eget open source-projekt.

Resultatet är en plattform där:

modell
+
verktyg
+
filsystem
+
sandbox
+
sessioner
+
subagenter
+
workflows
+
UI
+
agent-loop

kan kombineras och bytas ut som komponenter.

För vanliga användare är det fortfarande mer tekniskt än en färdig konsumentprodukt. För utvecklare som bygger AI-agenter, coding agents eller egna lokala AI-system är det däremot ett av de mest relevanta projekten att testa under 2026.

Och den kanske viktigaste poängen är denna:

DeepSeek Harness gör det möjligt att byta modell utan att behöva byta hela agentmiljön.

Det kan på sikt visa sig vara minst lika viktigt som nästa stora modellsläpp.

---

Källor

Primära källor:

• [DeepSeek Harness
• officiell produktsida](https://deepseek.com/harness/en/)
• [DeepSeek Harness
• officiellt GitHub-repo](https://github.com/deepseek-ai/deepseek-harness)
• [DeepSeek Harness
• arkitekturdokumentation](https://github.com/deepseek-ai/deepseek-harness/blob/master/docs/architecture.md)
• [DeepSeek Harness
• Web UI guide](https://github.com/deepseek-ai/deepseek-harness/blob/master/docs/user/guide/index.md)
• [DeepSeek Harness
• model/provider guide](https://github.com/deepseek-ai/deepseek-harness/blob/master/docs/user/guide/providers.md)
• [DeepSeek API
• Models & Pricing](https://api-docs.deepseek.com/quick_start/pricing/)
• [DeepSeek API
• Change Log](https://api-docs.deepseek.com/updates/)
• DeepSeek V4 Pro GA Release

Säkerhetsforskning:

• Security Assessment of DeepSeek Harness with A.I.G: Evaluating Resistance to Indirect Prompt Injection

---