DeepSeek обновляет фреймворк Harness? Как работают 14 изменений

DeepSeek обновляет фреймворк Harness? Выпуск DeepSeek Harness v0.1.0-rc.8 представляет 14 изменений, включая крупные обновления в области мультимодального ввода, субагентов, инструментов и производительности среды выполнения. Это создает децентрализованный плагинный уровень планирования, который интегрирует нативные запросы изображений и управляет внешними инструментами вроде Claude Code и Codex в качестве модульных субагентов. По мере перехода архитектур искусственного интеллекта от монолитных оберток чат-ботов к распределенным средам выполнения агентов разработчикам требуются масштабируемые фреймворки для управления декомпозицией задач, оркестрацией инструментов и персистентностью памяти. Исторически развертывание автономных ассистентов для написания кода привязывало инженерные рабочие процессы к стекам единых закрытых вендоров. Сегодня, поскольку среды выполнения с открытым исходным кодом позволяют динамически менять модели, инструменты и субагенты, технические команды оценивают новые подходы к структурированию оркестрации агентов и последующей передаче контекста.

Архитектурный обзор: как DeepSeek обновляет фреймворк Harness для оркестрации агентов

Краткий обзор

• DeepSeek Harness v0.1.0-rc.8 добавляет нативную поддержку запросов с изображениями, позволяя командам вроде /goal и /plan напрямую принимать комбинированные текстовые и графические данные.
• Субагенты, включая Claude Code и Codex, поставляются в виде пакетов профилей (Profile Bundles) по требованию, поддерживающих неинтерактивные режимы выполнения и возобновление родительских задач.
• Благодаря плагинному фреймворку Cordis среда выполнения рассматривает модели, инструменты, память и циклы главного агента как полностью заменяемые плагины под лицензией MIT.

Инженерная граница, отделяющая базовые языковые модели от автономных агентов, становится все более четкой. Если базовая модель обеспечивает возможности базового рассуждения и генерации, то практическое выполнение задач требует внешней инженерной оболочки для анализа файловой системы, вызова команд оболочки, управления историей диалогов и обработки повторных попыток выполнения. DeepSeek определяет эту связь через простую формулу: «Модель + Harness = Агент».

После первоначального релиза Harness v0.1 с открытым исходным кодом в августе 2026 года проект быстро завоевал популярность среди разработчиков. Выпуск v0.1.0-rc.8 напрямую опирается на этот фундамент, добавляя настраиваемую поддержку запросов с изображениями и расширяя возможности планирования субагентов.

Значение версии rc.8 заключается в ее концепции проектирования «все является плагином». Благодаря Cordis, обеспечивающему компонуемый контекст плагинов внутри Harness, ни один компонент не зашит жестко в код. Разработчики могут менять базовый адаптер моделей, заменять локальные хранилища, подключать независимые изолированные среды (песочницы) или настраивать основной цикл выполнения агента.

Внутреннее устройство: мультимодальные цепочки инструментов, субагенты и конвейеры выполнения

На уровне протоколов DeepSeek Harness v0.1.0-rc.8 организует свои обновления по ключевым функциональным направлениям: нативная обработка мультимодальных данных, оркестрация субагентов и производительность цепочки инструментов.

1. Настраиваемый мультимодальный ввод

Обновленный адаптер поддерживает нативные запросы изображений, сериализуя изображения в виде URL-адресов данных base64 в теле запроса, в то время как ответы модели продолжают передаваться через Server-Sent Events (SSE). Базовые команды, включая /goal и /plan, теперь принимают смешанные текстовые и графические полезные данные, а меню composer’s @ расширяется для ссылки на активные сеансы и файлы изображений. Система ограничивает размер полезных данных изображений base64 на отметке 20 МиБ (maxRequestImageBytes), оставляя запас ниже стандартного лимита запросов в 30 МиБ.

В рамках архитектуры нативного адаптера модели, настроенные для работы с изображениями, получают данные в кодировке base64 напрямую, в то время как чисто текстовые модели отклоняют изображения до передачи по сети. Сторонние разработчики независимо изучали сторонние плагины компьютерного зрения для обеспечения внешнего OCR и разметки макетов для текстовых бэкендов, однако нативный конвейер в версии rc.8 сосредоточен на прямой передаче изображений для конфигураций моделей с поддержкой визуального восприятия.

2. Планирование субагентов и пакеты профилей

Вместо внедрения внешних ассистентов в основной кодовой базе Claude Code и Codex поставляются в виде пакетов профилей (Profile Bundles) по требованию. Codex получает неинтерактивный режим разрешений, поддерживающий сценарии автономного запуска или выполнения без графического интерфейса, а также именованные экземпляры для поддержания нескольких различных конфигураций Codex. Механизм reportDelivery автоматически уведомляет и возобновляет родительскую задачу по завершении работы субагента, снижая потребность в непрерывных циклах опроса.

На схеме ниже показано, как задачи и субагенты маршрутизируются через фреймворк:

[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. Параллелизм цепочки инструментов и метаданные передачи

Среда выполнения добавляет поддержку параллельных запросов для web_search, постоянные сеансы PowerShell внутри терминалов Windows PTY, а также оптимизированную производительность чтения/записи SQLite и ветвления сеансов. На транспортном уровне адаптер DeepSeek отправляет метаданные сеанса и идентификации на уровне транспорта для запросов провайдера, включая x-deepseek-harness-user-id из @deepseek-ai/dsh-anonymous-user-id, сохраняя при этом этот идентификатор вне видимого для модели контента запроса и подсчета токенов.

Разработчики могут настраивать параметры адаптера динамически, используя стандартную схему конфигурации:

- 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]

Оркестрация рабочих процессов с сохранением состояния против непрерывности контекста при мобильном распространении

Модульная архитектура DeepSeek Harness демонстрирует, как выполнение программного обеспечения движется в сторону распределенных многоагентных рабочих процессов. Когда первичный агент делегирует подзадачи между несколькими инструментами и моделями, оболочка поддерживает контекст выполнения, отслеживает статус субагентов и объединяет результаты в единый итоговый результат.

В то время как среды выполнения агентов для настольных ПК и серверов сохраняют состояние в активных плагинах и локальных процессах, сопутствующая архитектурная проблема возникает, когда автоматизированный сценарий переходит через границы распространения мобильных приложений.

Обеспечение непрерывности контекста через границы жизненного цикла

Внутри Harness непрерывность сеанса поддерживается за счет состояния сеанса среды выполнения и уровней персистентности. Однако при дистрибуции мобильных приложений, когда рекламная кампания, веб-рекомендация или совместная реферальная ссылка направляют пользователя в еще не установленное приложение, контекст предварительной кампании или целевой страницы не сохраняется автоматически при переходе «установка из магазина — первый запуск».

Специализированные архитектуры мобильных ссылок, такие как OpoInstall, решают проблему разрыва контекста с помощью отложенных глубоких ссылок (deferred deep linking) и возможностей передачи параметров. Эти фреймворки фиксируют метаданные кампании или целевого объекта до установки и восстанавливают эти параметры при первом запуске приложения, обеспечивая немедленную маршрутизацию с учетом контекста. Оба механизма решают разные технические проблемы на разных этапах жизненного цикла, но оба подчеркивают растущую потребность в надежной непрерывности контекста через фрагментированные границы приложений.

Инженерные чек-листы: развертывание модульных агентских оболочек в продакшене

Развертывание масштабируемых сред выполнения агентов в продакшене требует структурированного управления для баланса между гибкостью выполнения и операционной стабильностью.

Чек-лист по внедрению для разработчиков

• Управление миграциями схем SQLite: Убедитесь, что форматы хранения базы данных обновляются корректно при переходе между минорными версиями, чтобы предотвратить ошибки данных из-за несовместимых структур таблиц.
• Настройка режимов выполнения субагентов: Включите флаги неинтерактивных разрешений для автоматизированных экземпляров Codex при запуске фоновых процессов без участия пользователя.
• Установка лимитов полезной нагрузки изображений: Ограничьте входящие данные изображений base64 до 20 МиБ (maxRequestImageBytes), чтобы предотвратить превышение лимитов тела запроса провайдера во время многоуровневых диалогов.

Чек-лист по архитектуре и стратегии роста

• Аудит транспортных идентификаторов: Убедитесь, что анонимные идентификаторы (x-deepseek-harness-user-id) и заголовки сеансов соответствуют местным политикам конфиденциальности.
• Оптимизация бюджетов токенов для мультиагентных систем: Внедрите арбитраж моделей для перенаправления подзадач на экономичные модели, резервируя передовые модели для сложного планирования.
• Обеспечение сохранения контекста на разных платформах: Разверните фреймворки восстановления параметров на стороне сервера при сопряжении рабочих процессов пользователей между веб-точками входа и нативными мобильными приложениями.

Основные выводы для инженерных команд

Быстрая эволюция сред выполнения агентов с открытым исходным кодом, таких как DeepSeek Harness, сигнализирует о переходе от конкуренции вокруг моделей к доминированию на уровне рабочих процессов и оркестрации. Поскольку бэкенды моделей становятся все более взаимозаменяемыми в рамках модульных агентских архитектур, программный уровень, который координирует субагенты, управляет инструментами и поддерживает состояние выполнения, становится главным фокусом контроля для разработчиков.

Инженерные команды, создающие агентные системы нового поколения, должны уделять первостепенное внимание модульности, четким границам разрешений и надежному управлению состоянием. Разделяя оркестрацию агентов на расширяемые плагины и внедряя устойчивые механизмы передачи контекста между веб- и мобильными точками взаимодействия, организации могут создавать адаптируемые и независимые от поставщиков автоматизированные конвейеры.

Ссылки

• DeepSeek AI. Примечания к выпуску DeepSeek Harness (v0.1.0-rc.8). https://github.com/deepseek-ai/deepseek-harness/releases/tag/dsh-v0.1.0-rc.8

• DeepSeek AI. Документация по адаптеру DeepSeek LLM. https://github.com/deepseek-ai/deepseek-harness/blob/dsh-v0.1.0-rc.8/packages/llm/llm-deepseek/README.md

• DeepSeek AI. Официальный репозиторий DeepSeek Harness. https://github.com/deepseek-ai/deepseek-harness

• OpoInstall. Как внедрить SDK реферального трекинга с отложенными глубокими ссылками и атрибуцией установок. https://www.opoinstall.com/blog/referral-tracking-sdk-deferred-deep-linking