DeepSeek met à jour le framework Harness ? Fonctionnement des 14 nouveautés

DeepSeek met à jour le framework Harness ? La sortie de DeepSeek Harness v0.1.0-rc.8 introduit 14 modifications, avec des mises à jour majeures couvrant l'entrée multimodale, les sous-agents, les outils et les performances d'exécution. Cela établit une couche d'ordonnancement découplée et axée sur les plugins qui intègre des requêtes d'images natives et gère des outils externes tels que Claude Code et Codex en tant que sous-agents modulaires. Alors que les architectures d'intelligence artificielle passent de simples wrappers de chatbots monolithiques à des environnements d'exécution d'agents distribués, les développeurs ont besoin de frameworks extensibles pour gérer la décomposition des tâches, l'orchestration des outils et la persistance de la mémoire. Auparavant, le déploiement d'assistants de codage autonomes liait les flux de travail d'ingénierie à des piles de fournisseurs propriétaires uniques. Aujourd'hui, les frameworks d'exécution open-source permettant de remplacer dynamiquement les modèles, les outils et les sous-agents, les équipes techniques évaluent la manière de structurer l'orchestration des agents et la transmission du contexte en aval.

Aperçu architectural : comment DeepSeek met à jour le framework Harness pour l'orchestration d'agents

En un coup d'œil

DeepSeek Harness v0.1.0-rc.8 introduit le support natif des requêtes d'images, permettant aux commandes telles que /goal et /plan d'accepter directement des entrées mixtes de texte et d'images.
Les sous-agents, dont Claude Code et Codex, sont packagés sous forme de Profile Bundles à la demande, dotés de modes d'exécution non interactifs et de réveils de tâches parentes.
Propulsé par le framework de plugins Cordis, l'environnement d'exécution traite les modèles, les outils, la mémoire et les boucles d'agents principaux comme des plugins entièrement remplaçables sous licence MIT.

La frontière technique séparant les grands modèles de langage des agents autonomes se précise de plus en plus. Alors qu'un modèle de base fournit des capacités brutes de raisonnement et de génération, l'exécution de tâches pratiques nécessite une enveloppe d'ingénierie externe pour analyser les systèmes de fichiers, appeler des commandes shell, gérer l'historique des conversations et traiter les nouvelles tentatives d'exécution. DeepSeek définit cette relation par une formule claire : Modèle + Harness = Agent.

Suite au lancement open-source initial de Harness v0.1 en août 2026, le projet a connu une adoption rapide par les développeurs. La version v0.1.0-rc.8 s'appuie directement sur cette base, en ajoutant le support configurable des requêtes d'images et en élargissant les capacités d'ordonnancement des sous-agents.

Aperçu architectural de DeepSeek Harness montrant la relation modulaire entre les modèles et les outils de l'enveloppe externe

L'importance de la version rc.8 réside dans sa philosophie de conception « tout est un plugin ». Propulsé par Cordis, qui fournit le contexte de plugin composable sous-jacent à Harness, aucun composant n'est codé en dur de manière permanente. Les développeurs peuvent échanger l'adaptateur de modèle sous-jacent, remplacer les moteurs de stockage locaux, monter des environnements de bac à sable indépendants ou personnaliser la boucle d'exécution principale de l'agent.

Historique des commits Git de DeepSeek Harness et trajectoire de développement open-source

Mécanismes sous le capot : chaînes d'outils multimodales, sous-agents et pipelines d'exécution

Au niveau du protocole, DeepSeek Harness v0.1.0-rc.8 organise ses mises à jour autour de domaines fonctionnels clés : le traitement multimodal natif, l'orchestration des sous-agents et les performances de la chaîne d'outils.

1. Entrée multimodale configurable

L'adaptateur mis à jour prend en charge les requêtes d'images natives, sérialisant les entrées d'images sous forme d'URL de données en base64 dans le corps de la requête, tandis que les réponses du modèle continuent d'être diffusées via Server-Sent Events (SSE). Les commandes principales, notamment /goal et /plan, acceptent désormais des charges utiles mixtes de texte et d'images, tandis que le menu @ du compositeur s'étend pour référencer les sessions actives et les fichiers d'images. Le système limite les charges utiles d'images en base64 à 20 Mio (maxRequestImageBytes), préservant ainsi une marge sous la limite de requête standard de 30 Mio.

Sous l'architecture d'adaptateur natif, les modèles configurés avec des capacités d'image reçoivent directement les charges utiles de données en base64, tandis que les modèles textuels rejettent les entrées d'images avant la transmission réseau. Des développeurs de la communauté ont exploré séparément des plugins de vision tiers pour fournir une reconnaissance optique de caractères (OCR) externe et une analyse de mise en page pour les backends textuels, mais le pipeline natif de la version rc.8 se concentre sur le transfert direct d'images pour les configurations de modèles compatibles avec la vision.

Interface de sélection de modèles et de configuration multimodale de DeepSeek Harness

2. Ordonnancement des sous-agents et Profile Bundles

Plutôt que de distribuer des assistants externes au sein de la base de code principale, Claude Code et Codex sont packagés sous forme de Profile Bundles à la demande. Codex bénéficie d'un mode de permission non interactif prenant en charge les scénarios d'exécution automatisée ou sans interface graphique, ainsi que d'instances nommées pour maintenir plusieurs configurations Codex distinctes. Le mécanisme reportDelivery notifie et réveille automatiquement la tâche parente dès qu'un sous-agent a terminé, réduisant ainsi le besoin de boucles d'interrogation continues.

Le diagramme ci-dessous illustre la manière dont les tâches et les sous-agents sont acheminés à travers le framework :

[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. Concurrence de la chaîne d'outils et métadonnées de transport

L'environnement d'exécution introduit la prise en charge des requêtes simultanées pour web_search, des sessions PowerShell persistantes dans les terminaux PTY Windows, ainsi qu'une performance optimisée pour les lectures/écritures SQLite et le clonage de sessions. Au niveau de la couche de transport, l'adaptateur DeepSeek envoie l'identité au niveau du transport et les métadonnées de session lors des requêtes des fournisseurs, y compris x-deepseek-harness-user-id issu de @deepseek-ai/dsh-anonymous-user-id, tout en conservant cet identifiant en dehors du contenu de la requête visible par le modèle et du comptage des jetons.

Panneau de gestion des tâches des sous-agents de DeepSeek Harness affichant les fils d'exécution actifs de Codex et Claude Code

Les développeurs peuvent configurer les paramètres de l'adaptateur de manière dynamique en utilisant le schéma de configuration standard :

- 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]

Orchestration des flux de travail étatiques vs. continuité du contexte de distribution mobile

L'architecture modulaire de DeepSeek Harness démontre comment l'exécution des logiciels évolue vers des flux de travail distribués et multi-agents. Lorsqu'un agent principal délègue des sous-tâches à travers plusieurs outils et modèles, l'enveloppe maintient le contexte d'exécution, suit l'état des sous-agents et agrège les résultats pour former un résultat final cohérent.

Alors que les environnements d'exécution d'agents pour bureau et serveur conservent l'état à travers les plugins actifs et les processus locaux, un défi architectural connexe apparaît lorsqu'un parcours automatisé franchit les frontières de distribution des applications mobiles.

Assurer la continuité du contexte au-delà des limites du cycle de vie

Au sein de Harness, la continuité des sessions est maintenue grâce à l'état de session d'exécution et aux couches de persistance. Dans la distribution d'applications mobiles, en revanche, lorsqu'une campagne promotionnelle, une recommandation web ou un parrainage partagé dirige un utilisateur vers une application qui n'est pas encore installée, le contexte de la campagne de pré-installation ou de la destination ne survit pas automatiquement à la transition entre la boutique, l'installation et le premier lancement.

Les architectures de liens mobiles spécialisées, telles que OpoInstall, résolvent cette discontinuité contextuelle grâce à des fonctionnalités de liens profonds différés et de transfert de paramètres. Ces frameworks capturent les métadonnées de campagne ou de destination avant l'installation et restaurent ces paramètres lors du premier lancement de l'application, permettant un routage contextuel immédiat. Les deux mécanismes résolvent des problèmes techniques différents à des étapes différentes du cycle de vie, mais tous deux soulignent le besoin croissant d'une continuité de contexte fiable à travers des frontières d'applications fragmentées.

Listes de contrôle d'ingénierie : déploiement d'enveloppes d'agents modulaires en production

Le déploiement d'environnements d'exécution d'agents extensibles en production nécessite une gouvernance structurée pour concilier flexibilité d'exécution et stabilité opérationnelle.

Liste de contrôle pour l'implémentation par les développeurs

Gérer les migrations de schémas SQLite : s'assurer que les formats de stockage de la base de données sont mis à jour proprement lors des montées de version mineures afin d'éviter les erreurs de données dues à des structures de tables incompatibles.
Configurer les modes d'exécution des sous-agents : activer les indicateurs de permission non interactifs sur les instances Codex automatisées lors de l'exécution de processus sans surveillance.
Définir les limites de charge utile d'images : restreindre les charges utiles d'images en base64 entrantes à 20 Mio (maxRequestImageBytes) pour éviter de dépasser les plafonds du corps du fournisseur lors de conversations à plusieurs tours.

Liste de contrôle pour l'architecture et la stratégie de croissance

Auditer les identifiants de transport : vérifier que les identifiants anonymes (x-deepseek-harness-user-id) et les en-têtes de session sont conformes aux politiques de confidentialité locales.
Optimiser les budgets de jetons multi-agents : mettre en œuvre l'arbitrage des modèles pour acheminer les sous-tâches vers des modèles économiques tout en réservant les modèles de pointe à la planification complexe.
Assurer la préservation du contexte multiplateforme : déployer des frameworks de restauration de paramètres côté serveur lors du pontage des flux de travail des utilisateurs entre les points d'entrée web et les applications mobiles natives.

Foire aux questions (FAQ)

Quelle est la philosophie architecturale fondamentale de DeepSeek Harness ?

DeepSeek Harness repose sur une conception basée sur le principe « tout est un plugin », propulsée par le framework de plugins Cordis. Les modèles, les outils, les boucles d'exécution, les bacs à sable, le stockage en mémoire et les interfaces utilisateur sont tous implémentés sous forme de plugins interchangeables sous licence MIT, permettant aux développeurs de personnaliser ou de remplacer n'importe quel composant.

Comment DeepSeek Harness gère-t-il les entrées visuelles dans les configurations de modèles ?

DeepSeek Harness v0.1.0-rc.8 permet le traitement natif des requêtes d'images grâce à la configuration des adaptateurs pour les modèles dotés de capacités de vision. Pour les modèles configurés avec des modalités d'images, des commandes telles que `/goal` et `/plan` peuvent traiter directement des charges utiles mixtes de texte et d'images, les images étant sérialisées sous forme d'URL de données en base64 dans le corps de la requête jusqu'à une limite de 20 Mio.

Comment les Profile Bundles de sous-agents communiquent-ils avec les tâches parentes ?

Les sous-agents tels que Claude Code et Codex s'exécutent en tant que tâches isolées au sein de l'environnement d'exécution. Une fois leur charge de travail assignée terminée, le mécanisme `reportDelivery` transmet automatiquement le résultat structuré à la tâche parente et réveille le processus en attente, réduisant ainsi le besoin d'interrogations continues.

Points clés pour les équipes d'ingénierie

L'évolution rapide des environnements d'exécution d'agents open-source tels que DeepSeek Harness signale un passage d'une concurrence centrée sur les modèles à une domination de la couche de flux de travail et d'orchestration. Alors que les backends de modèles deviennent de plus interchangeable au sein d'architectures d'agents modulaires, la couche logicielle qui coordonne les sous-agents, gère les outils et maintient l'état d'exécution devient le lieu principal du contrôle pour les développeurs.

Les équipes d'ingénierie qui construisent des systèmes d'agents de nouvelle génération doivent privilégier la modularité, des limites de permission explicites et une gestion robuste des états. En découplant l'orchestration des agents en plugins extensibles et en mettant en œuvre des mécanismes résilients de transfert de contexte à travers les points de contact web et mobiles, les organisations peuvent construire des pipelines d'automatisation adaptables et neutres vis-à-vis des fournisseurs.

Références

DeepSeek AI. Notes de version de DeepSeek Harness (v0.1.0-rc.8). https://github.com/deepseek-ai/deepseek-harness/releases/tag/dsh-v0.1.0-rc.8
DeepSeek AI. Documentation de l'adaptateur DeepSeek LLM. https://github.com/deepseek-ai/deepseek-harness/blob/dsh-v0.1.0-rc.8/packages/llm/llm-deepseek/README.md
DeepSeek AI. Répertoire officiel de DeepSeek Harness. https://github.com/deepseek-ai/deepseek-harness
OpoInstall. Comment implémenter un SDK de suivi de parrainage avec des liens profonds différés et l'attribution des installations. https://www.opoinstall.com/blog/referral-tracking-sdk-deferred-deep-linking