DeepSeek Harness Review: Semua Tiga Run Dilaporkan Selesai. Hanya Satu Halaman yang Benar-benar Berfungsi.

154.302 bintang. Setiap ulasan yang saya baca memberi tahu saya tiga hal yang sama: semuanya adalah plugin, log sesi bersifat append-only, dan ini adalah pratinjau pengembang.

Tidak satu pun yang memberi tahu saya seberapa besar ruang disk yang dimakannya. Atau seberapa besar RAM yang digunakan oleh sesi idle. Atau apa yang terjadi saat Anda mengarahkannya ke endpoint yang bukan milik DeepSeek.

Jadi saya menginstalnya dan memberinya satu tugas, tiga kali: buat pelacak ISS langsung dalam satu file HTML mandiri. Tiga konfigurasi penyedia yang berbeda, prompt yang sama, model yang sama. Ketiganya selesai. Ketiganya mencetak "Selesai" dengan percaya diri beserta daftar bullet dari semua yang seharusnya telah mereka verifikasi.

Lalu saya membuka ketiga halaman tersebut di browser. Dua di antaranya rusak.

Kesimpulan utama

• npm install @deepseek-ai/dsh menarik 531 paket dan 306 MB di macOS. Bukan 1,5 GB, tapi juga tidak kecil, dan paket dsh itu sendiri hanya 172 KB dari jumlah tersebut.
• Server web dsh menganggur pada 35 hingga 40 MB RSS dengan sesi aktif terbuka, setelah memuncak sekitar 212 MB saat boot. Angka 500 MB yang sering disebut orang bukanlah proses server.
• Tampilan Trajectory adalah hal yang sesungguhnya dalam rilis ini. Ini adalah aliran peristiwa JSONL append-only biasa di disk, dan itulah yang memungkinkan saya mendiagnosis masalah konfigurasi dalam hitungan menit, bukan jam.
• Dua baris YAML (compat.thinkingFormat dan maxTokens yang sebenarnya) mengubah tugas yang sama dari proses 36 langkah dan 422 detik menjadi proses 15 langkah dan 152 detik. Kedua baris tersebut tidak ada di situs dokumentasi.
• Setiap proses melaporkan keberhasilan. Hanya satu yang menghasilkan halaman tanpa kesalahan konsol. Bacalah keluarannya, bukan ringkasannya.
• Ini adalah pratinjau pengembang, dan README menyatakannya dengan huruf kapital. Pilot terbatas, ya. Bidang kendali produksi, tidak.

Berikut seluruh artikel dalam satu gambar. Dua halaman pelacak ISS, prompt yang sama, model yang sama, satu perbedaan konfigurasi. Kiri adalah proses yang saya sesuaikan. Kanan adalah proses yang tidak saya sesuaikan.

Perbandingan berdampingan dari dua halaman pelacak ISS yang dibuat oleh DeepSeek Harness, sebelah kiri dengan peta dunia yang kacau dan lencana usang yang menempel, sebelah kanan merender dengan benar dengan penanda langsung

Kiri: proses yang disesuaikan, 152 detik, lima belas jalur SVG yang salah format dan lencana yang membeku di "Usang". Kanan: proses naif, 422 detik, nol kesalahan konsol. Keduanya melaporkan selesai.

Mengapa Setiap Ulasan DeepSeek Harness Mengatakan Tiga Hal yang Sama

Repositori tersebut muncul pada 13 Agustus dan pada saat saya mulai menulis, repositori itu telah memiliki 154.302 bintang dan 15.960 garpu di bawah lisensi MIT (GitHub, Agustus 2026). Pada kecepatan itu, sebagian besar liputan hanyalah pembacaan README, karena belum ada waktu untuk hal lain.

Jadi lanskap ulasan DeepSeek Harness yang ada terbagi menjadi tiga kubu, dan ketiganya memiliki celah yang sama. Tulisan audit sumber mengupas jahitan plugin dan tidak pernah menjalankan tolok ukur. Tulisan data membandingkan jumlah token dan secara eksplisit melewatkan ukuran instalasi dan memori. Tulisan pengadaan perusahaan mencapai kesimpulan dengan hampir tidak ada angka terukur di dalamnya sama sekali.

Tidak ada yang menginstalnya, menjalankan tugas dari awal hingga akhir, lalu membuka hasilnya.

Sementara itu, kritik paling tajam tidak ada di ulasan mana pun. Itu ada di dua komentar di utas peluncuran, yang mendapat 737 poin dan 309 komentar dalam empat hari.

Dua komentar Hacker News verbatim tentang ukuran instalasi dan penggunaan memori idle DeepSeek Harness

Dua keluhan yang sebenarnya ingin diperiksa oleh ulasan ini, dikutip verbatim dari utas peluncuran.

Pengguna Kuyawa: "47mb diunduh, 1,5gb setelah build, wtf?" dan, dalam suntingan, "35 dependensi menghasilkan 1,4gb, untuk apa mereka?" Pengguna eglintondust, dalam sub-utas tentang beban CPU: "Penggunaan memori pasti tidak terkendali, memiliki sesi idle sekarang yang memakan 500MB" (Hacker News, Agustus 2026).

Itulah dua angka yang ingin saya periksa terlebih dahulu, karena keduanya adalah yang menentukan apakah benda ini layak di laptop Anda. Keduanya ternyata lebih rumit dari yang disarankan oleh kutipan tersebut, dan salah satunya mengukur sesuatu yang berbeda dari yang diasumsikan orang. Jika Anda memerlukan pengantar arsitektur sebelum semua ini masuk akal, itu adalah artikel yang berbeda: apa sebenarnya DeepSeek Harness itu.

Bagaimana Saya Menyiapkan Ulasan DeepSeek Harness Ini: Satu Tugas, Satu Endpoint

Pengaturannya sengaja dibuat membosankan sehingga variabelnya adalah konfigurasi, bukan tugasnya.

Tugasnya. Buat pelacak ISS langsung dalam satu index.html mandiri. Ini membutuhkan API eksternal, render peta, putaran polling, dan penanganan kesalahan, sehingga memaksa putaran alat multi-langkah yang sebenarnya alih-alih membuang kode satu kali. Dan yang terpenting, saya dapat membuka hasilnya dan melihat langsung apakah itu berfungsi.

Modelnya. deepseek-ai/deepseek-v4-flash-0731, model yang sama di ketiga proses, sehingga tidak ada apa pun dalam perbandingan yang merupakan perbedaan model.

Endpointnya. Ini adalah bagian yang dilewatkan orang. Harness tidak mengirimkan model. Ini membutuhkan URL dasar yang kompatibel dengan OpenAI dan sebuah kunci, titik. Dan permukaan konfigurasi untuk itulah tempat ketiga masalah saya berasal. Saya menjalankannya terhadap endpoint yang kompatibel dengan OpenAI yang dihosting dengan harga DeepSeek datar dan tanpa biaya tambahan jam sibuk, yang penting saat Anda akan menjalankan tugas yang sama berulang kali dan ingin tagihannya sebanding di setiap proses. Endpoint kompatibel mana pun bekerja dengan cara yang sama.

Satu catatan jujur ​​pada baris tengah itu, karena itu menggigit saya nanti: ia mengembalikan {"code":200,"msg":"succeed","data":[...]} daripada amplop standar OpenAI {"object":"list","data":[...]}. Array data ada di sana, jadi klien yang lunak baik-baik saja, tetapi jangan berasumsi bahwa setiap endpoint yang "kompatibel dengan OpenAI" identik byte dengan spesifikasinya.

Harga dibaca dari halaman model V4 Flash pada 18 Agustus 2026. Tidak ada lencana diskon pada model DeepSeek mana pun saat ini, jadi tidak ada apa pun di sini yang merupakan tarif waktu terbatas.

Langkah 1: Instal DeepSeek Harness dan Ukur Biaya Sebenarnya

Segala sesuatu mulai dari sini dapat direproduksi di macOS dengan Node 22.19+ atau 24+ (tidak ada dukungan 23.x, dan banyak panduan yang salah tentang ini). Saya menjalankan Node v24.15.0 dan @deepseek-ai/[email protected].

Mulai dengan quickstart, yang merupakan satu perintah:

bashCopy
1node -v                        # ^22.19.0 || >=24, bukan 23.x
2npx @deepseek-ai/dsh web       # UI Web di http://127.0.0.1:3080
3

Untuk mendapatkan angka yang benar-benar dapat Anda bandingkan dengan klaim 1,5 GB, instal ke direktori bersih sebagai gantinya dan ukur:

bashCopy
1mkdir dsh-size && cd dsh-size && npm init -y
2npm install @deepseek-ai/dsh
3du -sh node_modules
4du -sh node_modules/* | sort -h | tail -8      # tempat bobotnya berada
5

Inilah yang dihasilkan pada mesin saya:

textCopy
1menambahkan 531 paket dalam 2m
2306M    node_modules
3255     entri tingkat atas di node_modules
4172K    node_modules/@deepseek-ai/dsh          <- paket itu sendiri
5
6 13M    node_modules/@shikijs
7 13M    node_modules/openai
8 14M    node_modules/@google/genai
9 17M    node_modules/@img/sharp-libvips-darwin-arm64
10 24M    node_modules/@mistralai/mistralai
11 26M    node_modules/node-pty
12 27M    node_modules/@deepseek-ai
13 34M    node_modules/@opentelemetry
14

Jadi: 306 MB, bukan 1,5 GB. Angka 1,5 GB dalam komentar Hacker News itu adalah build sumber penuh, yang menarik dependensi dev dan output build di seluruh monorepo. Instalasi runtime adalah seperlima dari itu.

Meskipun demikian, 306 MB untuk agen pengkodean masih banyak, dan perinciannya menjelaskan dengan tepat mengapa orang merasa kesal. Anda menginstal tiga SDK vendor yang mungkin tidak pernah Anda panggil (openai, @google/genai, @mistralai/mistralai berjumlah 51 MB di antaranya), pohon OpenTelemetry lengkap, biner sharp asli, dan penyorot sintaks. "Semuanya adalah plugin" memiliki biaya pengiriman, dan saat ini Anda membayar semuanya di muka terlepas dari apakah Anda menggunakan rute tersebut atau tidak.

Untuk memori idle, boot profil web, buka sesi, biarkan saja, dan baca RSS:

bashCopy
1npx @deepseek-ai/dsh web --port 3099
2# lalu, di shell lain:
3ps -o pid,rss,command -p $(pgrep -f "dsh web")
4

Diambil sampelnya sekali per menit selama lima menit dengan sesi aktif terbuka dan tidak ada tugas yang berjalan:

textCopy
1t+0s     101,8 MB     (tepat setelah sesi dibuka)
2t+60s     37,0 MB
3t+120s    39,8 MB
4t+180s    38,8 MB
5t+240s    35,8 MB
6t+300s    35,0 MB
7

Angkanya menyentuh sekitar 212 MB saat boot, turun ke ~102 MB saat UI terhubung, lalu pengumpul sampah menurunkannya ke pita 35 hingga 40 MB dan tetap di sana. Itu tidak "tidak terkendali".

Tapi eglintondust belum tentu salah, dan ini adalah bagian yang perlu dipahami: profil web dsh adalah server lokal ditambah tab browser. 35 MB adalah server. UI adalah aplikasi web lengkap di browser Anda, dan memori itu dibebankan ke Chrome, bukan ke dsh. Jika Anda melihat sesi idle 500 MB di Activity Monitor, periksa proses mana yang diatribusikan sebelum Anda mengajukan bug. Detail instalasi lengkap ada di panduan instalasi 10 menit.

Output terminal nyata yang menunjukkan jejak instalasi DeepSeek Harness dan pengukuran memori idle

Pengukuran sebenarnya, dengan perintah yang terlihat. 306 MB terinstal, 35 MB idle.

Langkah 2: Arahkan DeepSeek Harness ke Endpoint Anda Sendiri

Di UI, ini adalah Pengaturan lalu Model lalu Tambahkan penyedia kustom: ID penyedia, URL dasar, protokol, kunci, daftar model. Anda juga dapat menulisnya langsung ke $DSH_HOME/settings.yaml (default ~/.dsh/settings.yaml), yang saya lakukan, karena versi file adalah apa yang dapat Anda bandingkan antar proses.

Bagian dalam file itu dikunci oleh ID plugin, yang tidak jelas pertama kali. Kamus penyedia milik llm-pi-ai, dan pemilihan model default milik agent-default-model:

yamlCopy
1llm-pi-ai:
2  providers:
3    atlas:
4      displayName: Atlas Cloud
5      api: openai-completions
6      baseURL: https://api.atlascloud.ai/v1
7      apiKeyEnv: ATLAS_API_KEY
8      models:
9        - id: deepseek-ai/deepseek-v4-flash-0731
10
11agent-default-model:
12  provider: atlas
13  model: deepseek-ai/deepseek-v4-flash-0731
14

Itu adalah konfigurasi naif, dan itulah yang saya mulai. Ini berfungsi. Ambil kunci dari konsol Atlas, export ATLAS_API_KEY=..., dan prosesnya berjalan. Perhatikan bahwa apiKeyEnv adalah referensi, bukan rahasia, jadi tidak ada kunci yang pernah masuk ke file ini.

Satu detail dari UI yang mudah terlewatkan dan benar-benar bagus: ketika kunci berasal dari lingkungan, bidang kunci API merender sebagai Disediakan oleh lingkungan peluncuran (hanya-baca). Titik hijau di samping penyedia berarti rute teratasi. Titik merah di samping penyedia DeepSeek bawaan berarti tidak memiliki kredensial. Itu adalah pemeriksaan kesehatan dua detik yang tidak perlu Anda cari.

Dua hal tentang konfigurasi ini diam-diam salah, meskipun, dan saya tidak mengetahuinya sampai saya membandingkan lintasan. Tahan pemikiran itu sampai Langkah 4.

Halaman Pengaturan Model DeepSeek Harness yang menunjukkan penyedia kustom yang kompatibel dengan OpenAI bernama Atlas Cloud dengan titik status hijau dan kunci API-nya disediakan hanya-baca oleh lingkungan peluncuran

Pengaturan, Model, penyedia kustom. Titik hijau berarti rute teratasi; penyedia DeepSeek bawaan di atasnya berwarna merah karena tidak memiliki kunci.

Langkah 3: Tiga Proses Ulasan DeepSeek Harness, Berdampingan

Prompt yang sama setiap saat. Tempel ini verbatim jika Anda ingin mereproduksinya:

textCopy
1Bangun pelacak ISS satu halaman dalam satu index.html mandiri.
2
3Persyaratan:
4- Ambil posisi ISS dari https://api.wheretheiss.at/v1/satellites/25544 setiap 5 detik.
5- Render peta dunia dengan penanda di lintang/bujur saat ini, plus jejak memudar dari 60 posisi terakhir.
6- Tampilkan ketinggian (km), kecepatan (km/jam), dan lintang/bujur saat ini di panel yang dapat dibaca.
7- Tidak ada langkah build, tidak ada npm install, tidak ada kunci API. Hanya Vanilla JS + CSS inline.
8- Tangani kegagalan pengambilan tanpa merusak halaman: pertahankan posisi terakhir yang diketahui dan tampilkan lencana usang.
9- Tulis file, lalu laporkan selesai.
10

Jalankan tanpa kepala agar transkripnya bersih:

bashCopy
1export DSH_HOME=$PWD/dsh-home
2export ATLAS_API_KEY=<kunci Anda>
3dsh --profile headless "<prompt di atas>"
4

Tiga konfigurasi:

• Proses A, yang disesuaikan: compat.thinkingFormat: deepseek, contextWindow: 1048576, maxTokens: 131072.
• Proses B, yang naif dari Langkah 2: entri model tidak lain adalah id.
• Proses C, kesalahan yang masuk akal: sama dengan A tetapi dengan maxTokens: 4096, angka yang saya ambil langsung dari contoh README adaptor itu sendiri.

Ketiganya keluar 0. Ketiganya menulis index.html. Ketiganya mencetak ringkasan yang mengklaim verifikasi. Ringkasan Proses C bahkan membanggakan perbaikan sendiri: "Beberapa bug yang saya tangkap dan perbaiki selama pembuatan: variabel yang tidak terdefinisi dalam fade jejak, logika akhiran U/S yang salah..."

Lalu saya membuka ketiga file di browser sungguhan dengan konsol terbuka, dan membiarkannya melakukan polling selama dua siklus.

Baca tabel itu lagi. Proses tercepat dan proses yang telah saya sesuaikan dengan hati-hati keduanya mengirimkan halaman yang rusak. Proses yang lambat, naif, dan paling mahal adalah satu-satunya yang berhasil.

Kegagalan Proses A adalah yang paling instruktif. Panel telemetri sempurna: ketinggian 431 km, kecepatan 27.547 km/jam, lintang/bujur yang benar, diperbarui langsung. Peta di bawahnya adalah gumpalan hijau, karena kelima belas jalur benua berakhir dengan L yang tidak memiliki koordinat ("... L48.0 624.0 L Z"). Dan lencananya bertuliskan "Usang, menyimpan posisi terakhir" dengan "Pembaruan terakhir: -" sementara tiga pengambilan berhasil ada di tab jaringan. Ia mendapatkan bagian yang sulit dengan benar dan bagian yang terlihat salah.

Alasannya ada di log penalarannya sendiri, di langkah 12, dengan kata-katanya sendiri: ia telah menghapus variabel yang masih digunakan oleh pembuat petanya, menyadarinya, dan melanjutkan. Jenis kemunduran yang disebabkan sendiri di akhir proses seperti inilah yang sangat berguna untuk lintasan append-only, yang merupakan langkah selanjutnya.

Proses C lebih lucu dan lebih buruk. Ia mengaku telah memperbaiki bug fade jejak dan logika akhiran U/S. Jejaknya persis seperti yang rusak (dua belas lingkaran NaN, tidak ada jejak yang dirender sama sekali), dan label lintangnya terbaca -34,76° S, yang merupakan tanda ganda. Ia tidak memperbaiki satu pun dari dua hal yang ia klaim telah diperbaiki, dan ia memverifikasi karyanya dengan node --check, yang mengurai sintaks JavaScript dan tidak tahu apa-apa tentang apakah jalur SVG itu legal.

Halaman pelacak ISS dari proses ketiga dengan jejak berposisi NaN, penanda macet di sudut kiri atas, dan label lintang bertanda ganda

Proses C, proses 50 detik: cantik, langsung, dan diam-diam rusak di dua tempat yang ia klaim telah diperbaiki.

Tidak satu pun dari ini benar-benar bug Harness. Ini adalah bug agen pengkodean yang dieksekusi dengan setia oleh Harness dan kemudian dilaporkan dengan setia sebagai keberhasilan. Yang membawa kita ke satu bagian dari rilis ini yang benar-benar mengesankan saya.

Langkah 4: Perbaikan Dua Baris, dan Tampilan Trajectory DeepSeek Harness yang Menemukannya

Proses B yang memakan waktu 2,8x lebih lama dari Proses A tidak masuk akal bagi saya. Model yang sama, tugas yang sama, dan satu-satunya perbedaan adalah beberapa baris YAML. Jadi saya pergi ke Trajectory.

Deskripsi resminya akurat, yang lebih jarang daripada yang seharusnya: "Segala sesuatu yang dilihat model dicatat dalam log sesi append-only: prompt sistem, penalaran, panggilan alat dan hasil, penjadwalan sub-agen, dan setiap injeksi konteks... Dalam tampilan Trajectory, Anda dapat memeriksa catatan ini berdasarkan sumber. Melanjutkan, bercabang, mencari, dan memutar ulang semuanya beroperasi pada aliran peristiwa yang sama" (DeepSeek Harness, Agustus 2026).

Itu bukan pemasaran. Streamnya adalah file nyata:

bashCopy
1ls $DSH_HOME/sessions/<workspace>/session-<uuid>/session.jsonl.zstd
2

Satu peristiwa JSON per baris, dibingkai zstd, append-only. Proses A menghasilkan 606 peristiwa; Proses B menghasilkan 1.709. Filter berdasarkan sumber di UI, atau cukup grep file yang didekode. Jenis peristiwanya persis seperti yang dijanjikan kalimat di atas: turn/start, step/start, request/header, request/context, assistant/chunk, reasoning-chunks, tool-call-chunks, tool/call, tool/result, step/end, turn/end.

Peristiwa request/header adalah yang memecahkannya. Ini mencatat konfigurasi yang benar-benar dikirimkan:

jsoncCopy
1// Proses A
2{"config":{"provider":"atlas","model":"deepseek-ai/deepseek-v4-flash-0731","maxTokens":131072},
3 "adapterDefaults":{"maxTokens":true}}
4
5// Proses B
6{"config":{"provider":"atlas","model":"deepseek-ai/deepseek-v4-flash-0731"}}
7

Proses B tidak mengirim batas output sama sekali, dan penalarannya membengkak menjadi 72.420 karakter di 33 blok dibandingkan dengan 6.094 Proses A di 9. Di situlah 270 detik ekstra dan 44.170 token output ekstra berada.

Penyebabnya didokumentasikan, tetapi tidak di situs dokumentasi. Itu terkubur di packages/llm/llm-pi-ai/README.md: dialek berpikir ditebak dari URL endpoint. Dengan kata-kata pemelihara sendiri, compat.thinkingFormat adalah sesuatu yang "pi-ai tebak dari URL endpoint; URL gateway pribadi tidak mengatakan apa-apa, jadi gateway dialek DeepSeek akan diajak bicara dalam dialek OpenAI tanpa cara untuk memperbaikinya."

Endpoint saya mengembalikan reasoning_content, ejaan DeepSeek. Nama hostnya tidak mengatakan apa-apa tentang itu. Jadi pada Proses B adaptor kembali ke dialek OpenAI, tidak dapat mengirim tingkat pemikiran, dan model bernalar pada defaultnya sendiri pada setiap 36 panggilan. Secara terpisah, entri model yang hanya mendeklarasikan id mewarisi fallback rute defaultContextWindow: 262144 dan defaultMaxTokens: 32768, sehingga model token 1.048.576 secara diam-diam kehilangan tiga perempat jendelanya.

Keduanya adalah dua baris:

yamlCopy
1llm-pi-ai:
2  providers:
3    atlas:
4      api: openai-completions             # compat.* ada HANYA di bawah protokol ini
5      baseURL: https://api.atlascloud.ai/v1
6      apiKeyEnv: ATLAS_API_KEY
7      compat:
8        thinkingFormat: deepseek          # berhenti menebak dari URL
9        supportsReasoningEffort: true
10      models:
11        - id: deepseek-ai/deepseek-v4-flash-0731
12          contextWindow: 1048576          # timpa fallback 262.144
13          maxTokens: 131072               # beri penalaran ruang gerak yang nyata
14

Dua hal yang perlu diingat. Urutan resolusi adalah model, lalu rute, lalu entri katalog yang diinstal, lalu tebakan URL pi-ai, jadi nilai tingkat model menang. Dan compat.* hanya ada di bawah api: openai-completions; letakkan di tempat lain dan resolusi gagal total. Adaptor juga sengaja tidak mendukung Bedrock, Vertex, Azure, atau Codex, karena otentikasi mereka membutuhkan lebih dari sekadar kunci, endpoint, dan header.

Atur itu, dan konfigurasi kabel Proses A benar, tagihan tokennya turun 3,5x, dan masih mengirimkan peta yang rusak. Yang merupakan ringkasan jujur ​​dari seluruh latihan ini: perbaikan konfigurasi itu nyata, dan itu memperbaiki tagihan, bukan tinjauan kode yang masih harus Anda lakukan sendiri.

Aliran peristiwa sesi append-only dari proses DeepSeek Harness yang sebenarnya, dengan jumlah peristiwa dan header permintaan yang mengungkapkan masalah konfigurasi

Aliran peristiwa Trajectory dari Proses A: 606 peristiwa, dan satu yang mengekspos batas output yang hilang.

Berapa Biaya Ulasan DeepSeek Harness Ini, dan Apakah Ini Siap Produksi

Tiga proses agen penuh dari tugas yang tidak sepele, langsung dari lintasan, pada tarif datar $0,14 masuk / $0,28 keluar per 1M:

Dua hal yang perlu diambil dari itu. Pertama, angka cache itu nyata dan endpoint melaporkannya: 93,8% dari semua token prompt di ketiga proses kembali sebagai pembacaan cache, yang membuat loop agen menjadi terjangkau sama sekali. Kedua, proses yang salah konfigurasi berharga 3,5x lipat dari yang disesuaikan untuk tugas dengan ukuran yang identik. Itu adalah harga sebenarnya dari dua baris YAML.

Perhatikan bentuk panggilan pertama di setiap proses: sekitar 11.000 token input sebelum agen melakukan apa pun. Itu adalah prompt sistem, skema alat, dan katalog keterampilan yang tersirat oleh "semuanya adalah plugin", dan Anda membayarnya di setiap sesi baru. Itulah mengapa tingkat cache hits lebih penting pada harness ini daripada yang lebih tipis, dan mengapa proses mode Minimal (bash plus editor file saja) layak dicoba jika tugas Anda tidak memerlukan perangkat alat yang lengkap.

Jadi, dapatkah Anda menempatkannya dalam produksi? Tidak, dan proyek setuju dengan Anda. Kata-kata README sendiri: "DeepSeek Harness saat ini dalam pratinjau pengembang dan berulang dengan cepat. AKAN ADA PERUBAHAN YANG MEMECAHKAN KOMPATIBILITAS." UI Web terbuka dengan modal yang mengatakan "DeepSeek Harness 0.1 tetap dalam pengujian untuk pengembang Harness." Lisensi MIT berarti Anda dapat melakukan apa pun yang Anda suka dengannya; itu tidak berarti API yang Anda bangun akan ada bulan depan.

Sisa daftar risikonya pendek dan nyata. Ada UUID telemetri anonim. Plugin dan server MCP dieksekusi di luar sandbox bash, jadi plugin adalah kode yang Anda pilih untuk dipercaya. Dan seperti yang ditemukan ulasan ini dengan susah payah, pengaturan yang mengontrol biaya dan kebenaran didokumentasikan dalam README paket daripada panduan, yang berarti tagihan pertama Anda bisa beberapa kali lipat dari yang seharusnya karena alasan yang tidak akan diberitahukan oleh pesan kesalahan apa pun kepada Anda.

Ulasan DeepSeek Harness: Pertanyaan yang Sering Diajukan

Apakah DeepSeek Harness siap produksi?

Tidak. README menyatakannya dengan jelas: "DeepSeek Harness saat ini dalam pratinjau pengembang dan berulang dengan cepat. AKAN ADA PERUBAHAN YANG MEMECAHKAN KOMPATIBILITAS." UI Web mengulanginya di modal startup. Pilot terbatas pada beban kerja yang tidak penting adalah hal yang wajar saat ini. Bidang kendali produksi yang diandalkan tim Anda tidak, karena permukaan API yang Anda bangun secara eksplisit tidak stabil.

Berapa banyak disk dan memori yang benar-benar digunakan DeepSeek Harness?

Di macOS, npm install @deepseek-ai/dsh menarik 531 paket dan 306 MB, di mana paket dsh itu sendiri adalah 172 KB. Angka 1,5 GB yang banyak dikutip adalah build sumber penuh, bukan instalasi runtime. Proses server web menganggur pada 35 hingga 40 MB RSS dengan sesi aktif terbuka, setelah memuncak mendekati 212 MB saat boot. Memori UI sendiri dibebankan ke browser Anda, bukan ke dsh.

Mengapa proses DeepSeek Harness saya jauh lebih lambat dan lebih mahal dari yang diharapkan?

Kemungkinan besar entri model Anda tidak mendeklarasikan apa pun selain id. Itu mewarisi fallback rute defaultContextWindow: 262144 dan defaultMaxTokens: 32768, dan itu membiarkan adaptor menebak dialek penalaran dari nama host endpoint Anda. Dalam pengujian saya, kombinasi itu menghasilkan 36 langkah, bukan 15, dan biaya token 3,5x lipat untuk tugas yang sama. Setel compat.thinkingFormat, contextWindow yang sebenarnya, dan maxTokens yang sebenarnya.

Apakah DeepSeek Harness berfungsi dengan endpoint non-DeepSeek?

Ya, URL dasar yang kompatibel dengan OpenAI apa pun berfungsi, dan begitulah kebanyakan orang akan menjalankannya. Tangkapannya adalah bahwa dialek berpikir disimpulkan dari URL, jadi gateway dialek DeepSeek pada nama host netral akan diajak bicara dalam dialek OpenAI. compat.thinkingFormat: deepseek adalah perbaikannya, dan itu hanya ada di bawah api: openai-completions. Bedrock, Vertex, Azure, dan Codex sengaja tidak didukung.

Apakah tampilan Trajectory benar-benar berguna, atau hanya pemasaran?

Itu berguna, dan itu adalah hal terkuat dalam rilis ini. Log sesi adalah file JSONL append-only nyata yang dapat Anda filter berdasarkan sumber, lanjutkan, cabangkan, dan putar ulang, dan peristiwa request/header memberi tahu saya dengan tepat konfigurasi apa yang mencapai kabel, yang merupakan apa yang memecahkan masalah saya. Apa yang tidak dilakukannya adalah menjelaskan mengapa model memilih sesuatu. Itu mencatat apa yang dilihat model, bukan mengapa ia memutuskan.

DeepSeek Harness vs Claude Code atau OpenCode, mana yang harus saya gunakan sehari-hari?

Jika Anda ingin sesuatu untuk menulis kode dengan andal hari ini, bukan ini, belum. Pilih Harness ketika runtime agen itu sendiri adalah apa yang ingin Anda ubah, karena menukar loop, alat, atau UI adalah konfigurasi di sini daripada garpu. Untuk perbandingan berbasis angka pada penggunaan token, lihat DeepSeek Harness vs OpenCode, dan untuk lapisan ekstensi, plugin mana yang layak diinstal.

---

Proses dilakukan pada 18 Agustus 2026 di macOS, Node v24.15.0, @deepseek-ai/[email protected], model deepseek-ai/deepseek-v4-flash-0731 yang dilayani melalui endpoint yang kompatibel dengan OpenAI di Atlas Cloud. Setiap jumlah token, waktu dinding, dan kesalahan konsol dalam artikel ini berasal dari log sesi dan konsol browser dari proses tersebut.