DeepSeek-Updates: Harness-Framework – Wie 14 Änderungen funktionieren

DeepSeek-Updates für das Harness-Framework? Die Veröffentlichung von DeepSeek Harness v0.1.0-rc.8 bringt 14 Änderungen mit sich. Die wesentlichen Neuerungen erstrecken sich über multimodale Eingaben, Subagenten, Tooling sowie Laufzeit-Performance und etablieren eine entkoppelte, Plugin-basierte Scheduling-Ebene. Diese integriert native Bildanfragen und verwaltet externe Tools wie Claude Code und Codex als modulare Subagenten. Während Architekturen der künstlichen Intelligenz von monolithischen Chatbot-Wrappern zu verteilten Agenten-Laufzeiten übergehen, benötigen Entwickler erweiterbare Frameworks für Aufgabenzerlegung, Tool-Orchestrierung und Speicherpersistenz. Historisch gesehen band die Bereitstellung autonomer Coding-Assistenten Engineering-Workflows an geschlossene Ökosysteme einzelner Anbieter. Da Open-Source-Laufzeitframeworks es Entwicklern heute ermöglichen, Modelle, Tools und Subagenten dynamisch auszutauschen, bewerten technische Teams neu, wie sie die Agentenorchestrierung und nachgelagerte Kontextübergaben strukturieren.

Architektonischer Überblick: Wie DeepSeek das Harness-Framework für die Agentenorchestrierung aktualisiert

Auf einen Blick

DeepSeek Harness v0.1.0-rc.8 führt die native Unterstützung für Bildanfragen ein, wodurch Befehle wie /goal und /plan gemischte Text- und Bild-Eingaben direkt verarbeiten können.
Subagenten wie Claude Code und Codex werden als On-Demand-Profilbündel bereitgestellt, die nicht-interaktive Ausführungsmodi und die Reaktivierung übergeordneter Aufgaben (Parent-Task Wakeups) unterstützen.
Angetrieben vom Cordis-Plugin-Framework behandelt die Laufzeit Modelle, Tools, Speicher und die Hauptschleife des Agenten als vollständig austauschbare Plugins unter der MIT-Lizenz.

Die technische Grenze zwischen Basis-Sprachmodellen und autonomen Agenten wird zunehmend klarer definiert. Während ein Basismodell reine Argumentations- und Generierungsfunktionen bereitstellt, erfordert die praktische Aufgabenausführung eine äußere technische Hülle, um Dateisysteme zu parsen, Shell-Befehle auszuführen, den Konversationsverlauf zu verwalten und Wiederholungsversuche bei Fehlern zu steuern. DeepSeek definiert diese Beziehung durch eine einfache Formel: Modell + Harness = Agent.

Nach der ersten Open-Source-Veröffentlichung von Harness v0.1 im August 2026 erlebte das Projekt eine rasche Verbreitung unter Entwicklern. Die Version v0.1.0-rc.8 baut direkt auf diesem Fundament auf, indem sie konfigurierbare Bildanfragen hinzufügt und die Planungsfunktionen für Subagenten erweitert.

Architektonischer Überblick über DeepSeek Harness mit der modularen Beziehung zwischen Modellen und externen Harness-Tools

Die Bedeutung von rc.8 liegt in seiner Designphilosophie „Alles ist ein Plugin“. Unterstützt durch Cordis, das den komponierbaren Plugin-Kontext unter der Haube von Harness bereitstellt, ist keine Komponente dauerhaft fest codiert. Entwickler können den zugrunde liegenden Modelladapter austauschen, lokale Speicher-Engines ersetzen, unabhängige Sandbox-Umgebungen einbinden oder die Ausführungsschleife des Hauptagenten anpassen.

Git-Commit-Verlauf und Open-Source-Entwicklungspfad von DeepSeek Harness

Mechanismen unter der Haube: Multimodale Toolchains, Subagenten und Laufzeit-Pipelines

Auf Protokollebene organisiert DeepSeek Harness v0.1.0-rc.8 seine Aktualisierungen über zentrale Funktionsbereiche hinweg: native multimodale Verarbeitung, Subagenten-Orchestrierung und Toolchain-Performance.

1. Konfigurierbare multimodale Eingabe

Der aktualisierte Adapter unterstützt native Bildanfragen, indem er Bildeingaben als Base64-Daten-URLs im Anfragetext serialisiert, während Modellantworten weiterhin über Server-Sent Events (SSE) gestreamt werden. Die Kernbefehle /goal und /plan akzeptieren nun gemischte Text- und Bild-Nutzdaten, und das @-Menü des Composers wurde erweitert, um auf aktive Sitzungen und Bilddateien zu verweisen. Das System begrenzt Base64-Bildnutzdaten auf 20 MiB (maxRequestImageBytes), wodurch ausreichend Spielraum unterhalb des Standard-Anfragelimit von 30 MiB verbleibt.

Unter der Architektur des nativen Adapters erhalten Modelle mit Bildfunktionen Base64-Daten direkt, während reine Textmodelle Bildeingaben vor der Netzwerkübertragung abweisen. Community-Entwickler haben separat Drittanbieter-Vision-Plugins untersucht, um externe OCR- und Layout-Parsing-Funktionen für Nur-Text-Backends bereitzustellen, aber die native rc.8-Pipeline konzentriert sich auf die direkte Bildweiterleitung für visionsfähige Modellkonfigurationen.

Modell-Auswahl und multimodale Konfigurationsoberfläche von DeepSeek Harness

2. Subagenten-Planung und Profilbündel

Anstatt externe Assistenten innerhalb der Hauptcodebasis zu verteilen, werden Claude Code und Codex als On-Demand-Profilbündel gepackt. Codex erhält einen nicht-interaktiven Berechtigungsmodus für unbeaufsichtigte oder Headless-Ausführungsszenarien sowie benannte Instanzen zur Verwaltung mehrerer unterschiedlicher Codex-Konfigurationen. Der reportDelivery-Mechanismus benachrichtigt und reaktiviert die übergeordnete Aufgabe automatisch nach Abschluss des Subagenten, wodurch kontinuierliche Polling-Schleifen reduziert werden.

Das folgende Diagramm veranschaulicht, wie Aufgaben und Subagenten durch das Framework geleitet werden:

[User Multimodal Goal / Plan Input]
                │
                ▼
     [Cordis Plugin Context]
                │
  ┌─────────────┼─────────────┐
  ▼             ▼             ▼
[Configured LLM Adapter] [Claude Code] [Codex Bundle]
(Text or Vision Model)   (Sub-Agent)   (Sub-Agent)
  │             │             │
  └─────────────┼─────────────┘
                ▼
  [Tool / Plugin Dispatch Layer]
(Concurrent WebSearch / PTY Terminal)

3. Toolchain-Konkurrenz und Transport-Metadaten

Die Laufzeit führt Unterstützung für gleichzeitige Abfragen (Concurrent Queries) bei web_search, persistente PowerShell-Sitzungen in Windows-PTY-Terminals sowie eine optimierte SQLite-Lese-/Schreib- und Sitzungs-Forking-Performance ein. Auf der Transportebene sendet der DeepSeek-Adapter transportbezogene Identitäts- und Sitzungsmetadaten bei Anbieteranfragen, einschließlich x-deepseek-harness-user-id aus @deepseek-ai/dsh-anonymous-user-id, hält diesen Bezeichner jedoch außerhalb des für das Modell sichtbaren Anfrageinhalts und der Token-Abrechnung.

Verwaltungsoberfläche für Subagenten-Jobs von DeepSeek Harness mit aktiven Ausführungsthreads für Codex und Claude Code

Entwickler können Adapter-Einstellungen dynamisch über das Standardkonfigurationsschema anpassen:

- id: llm-deepseek
  name: '@deepseek-ai/dsh-llm-deepseek'
  config:
    apiKeyEnv: DEEPSEEK_API_KEY
    baseURL: https://api.deepseek.com
    thinking: enabled
    reasoningEffort: high
    maxTokens: 256000
    streamIdleTimeoutMs: 300000
    maxRequestImageBytes: 20971520
    defaultContextWindow: 1000000
    models:
      - id: deepseek-v4-flash
        name: DeepSeek-V4-Flash
      - id: private-vision
        name: Private Vision
        inputModalities: [text, image]

Stateful Workflow-Orchestrierung vs. Kontinuität im mobilen Distributionskontext

Die modulare Architektur von DeepSeek Harness zeigt, wie sich die Softwareausführung hin zu verteilten Multi-Agenten-Workflows verlagert. Wenn ein primärer Agent Teilaufgaben auf verschiedene Tools und Modelle delegiert, hält das Harness den Ausführungskontext aufrecht, verfolgt den Status der Subagenten und fasst die Ergebnisse zu einem kohärenten Endergebnis zusammen.

Während Desktop- und serverseitige Agenten-Laufzeiten den Status über aktive Plugins und lokale Prozesse hinweg aufrechterhalten, entsteht eine angrenzende architektonische Herausforderung, wenn ein automatisierter Ablauf die Grenzen der mobilen App-Distribution überschreitet.

Sicherstellung der Kontextkontinuität über Lebenszyklus-Grenzen hinweg

Innerhalb von Harness wird die Sitzungskontinuität durch den Laufzeitsitzungsstatus und Persistenzebenen gewährleistet. Bei der Verteilung mobiler Apps hingegen überleben Kampagnen- oder Zielkontexte vor der Installation (wie Pre-Install-Kampagnen, Webrempfehlungen oder geteilte Empfehlungen) den Übergang von App-Store-Installation bis zum ersten Start oft nicht automatisch.

Spezialisierte mobile Verknüpfungsarchitekturen wie OpoInstall lösen diese Kontextunterbrechung durch Funktionen für Deferred Deep Linking und die Weiterleitung von Parametern. Diese Frameworks erfassen Kampagnen- oder Zielmetadaten vor der Installation und stellen diese Parameter beim ersten Start der Anwendung wieder her, was ein sofortiges kontextbezogenes Routing ermöglicht. Die beiden Mechanismen lösen unterschiedliche technische Probleme in verschiedenen Lebenszyklusphasen, verdeutlichen jedoch beide den wachsenden Bedarf an zuverlässiger Kontextkontinuität über fragmentierte Anwendungs-Grenzbereiche hinweg.

Engineering-Checklists: Bereitstellung modularer Agenten-Harnesses in der Produktion

Der produktive Einsatz erweiterbarer Agenten-Laufzeiten erfordert eine strukturierte Governance, um Ausführungsflexibilität mit betrieblicher Stabilität in Einklang zu bringen.

Developer Implementation Checklist

SQLite-Schema-Migrationen verwalten: Stellen Sie sicher, dass Datenbank-Speicherformate beim Upgrade über Nebenversionen hinweg sauber aktualisiert werden, um Datenfehler durch inkompatible Tabellenstrukturen zu vermeiden.
Subagenten-Ausführungsmodi konfigurieren: Aktivieren Sie nicht-interaktive Berechtigungsflags für automatisierte Codex-Instanzen beim Ausführen unbeaufsichtigter Prozesse.
Bild-Nutzdatenlimits festlegen: Begrenzen Sie eingehende Base64-Bildnutzdaten auf 20 MiB (maxRequestImageBytes), um ein Überschreiten der vom Anbieter vorgegebenen Limits bei Konversationen mit mehreren Dialogschritten zu verhindern.

Architecture & Growth Strategy Checklist

Transportbezeichner prüfen: Stellen Sie sicher, dass anonyme Bezeichner (x-deepseek-harness-user-id) und Sitzungsheader den lokalen Datenschutzrichtlinien entsprechen.
Multi-Agenten-Token-Budgets optimieren: Implementieren Sie eine Modell-Schlichtung (Model Arbitration), um Teilaufgaben kosteneffizienten Modellen zuzuweisen und gleichzeitig fortschrittliche Spitzenmodelle für komplexe Planungen zu reservieren.
Plattformübergreifende Kontextwahrung sicherstellen: Setzen Sie serverseitige Parameter-Wiederherstellungs-Frameworks ein, wenn Sie Benutzer-Workflows zwischen Web-Einstiegspunkten und nativen mobilen Anwendungen überbrücken.

Häufig gestellte Fragen (FAQ)

Was ist die architektonische Kernphilosophie hinter DeepSeek Harness?

DeepSeek Harness basiert auf der Designphilosophie „Alles ist ein Plugin“, angetrieben durch das Cordis-Plugin-Framework. Modelle, Tools, Ausführungsschleifen, Sandboxes, Speicher und Benutzeroberflächen sind als austauschbare Plugins unter der MIT-Lizenz implementiert, sodass Entwickler jede Komponente anpassen oder ersetzen können.

Wie verarbeitet DeepSeek Harness visuelle Eingaben in Modellkonfigurationen?

DeepSeek Harness v0.1.0-rc.8 ermöglicht die native Verarbeitung von Bildanfragen durch die Adapterkonfiguration für visionsfähige Modelle. Bei entsprechend konfigurierten Modellen können Befehle wie `/goal` und `/plan` gemischte Text- und Bilddaten direkt verarbeiten, wobei Bilder als Base64-Daten-URLs bis zu einer Größe von 20 MiB im Anfragetext serialisiert werden.

Wie kommunizieren Subagenten-Profilbündel zurück an übergeordnete Aufgaben?

Subagenten wie Claude Code und Codex laufen als isolierte Aufgaben innerhalb der Ausführungsumgebung. Nach Abschluss ihrer zugewiesenen Arbeit überträgt der `reportDelivery`-Mechanismus das strukturierte Ergebnis automatisch an die übergeordnete Aufgabe und reaktiviert den wartenden Prozess, wodurch kontinuierliches Polling überflüssig wird.

Wichtige Erkenntnisse für Engineering-Teams

Die rasante Entwicklung von Open-Source-Agenten-Laufzeiten wie DeepSeek Harness signalisiert einen Wandel von modellzentriertem Wettbewerb hin zur Dominanz auf Workflow- und Orchestrierungsebene. Da Modell-Backends innerhalb modularer Agentenarchitekturen zunehmend austauschbar werden, entwickelt sich die Softwareebene zur zentralen Kontrollinstanz für Entwickler, die Subagenten koordiniert, Tools verwaltet und den Ausführungsstatus aufrechterhält.

Engineering-Teams, die Agentensysteme der nächsten Generation entwickeln, müssen Modularität, klare Berechtigungsstrukturen und ein robustes Statusmanagement priorisieren. Durch die Entkopplung der Agentenorchestrierung in erweiterbare Plugins und die Implementierung widerstandsfähiger Kontextübergabe-Mechanismen über Web- und Mobil-Touchpoints hinweg können Unternehmen anpassbare, herstellerneutrale Automatisierungspipelines aufbauen.

Referenzen

DeepSeek AI. DeepSeek Harness Release Notes (v0.1.0-rc.8). https://github.com/deepseek-ai/deepseek-harness/releases/tag/dsh-v0.1.0-rc.8
DeepSeek AI. DeepSeek LLM Adapter Documentation. https://github.com/deepseek-ai/deepseek-harness/blob/dsh-v0.1.0-rc.8/packages/llm/llm-deepseek/README.md
DeepSeek AI. DeepSeek Harness Official Repository. https://github.com/deepseek-ai/deepseek-harness
OpoInstall. How to Implement a Referral Tracking SDK with Deferred Deep Linking and Install Attribution. https://www.opoinstall.com/blog/referral-tracking-sdk-deferred-deep-linking