DeepSeek Harness, bu kıyaslamanın bir parçası değildi. İki gün sonra piyasaya sürüldü. Bu da şu anlama geliyor: Yararlı soru "hangisi kazandı?" değil. Yararlı soru, aynı görevi her iki araçla, aynı model üzerinde nasıl çalıştıracağınız ve kendinizi kandırmadan faturayı nasıl okuyacağınızdır.
Önemli çıkarımlar
- Harness seçimi, benzer ajan görevlerinde token kullanımını yaklaşık 7 kat değiştirebilir.
- DeepSeek Harness ve OpenCode'u aynı model ve aynı repo durumu ile ölçün.
- Günlük işleriniz için birini seçmeden önce ayrı API anahtarları kullanın.
İki ajan harness'i aracılığıyla aynı kodlama görevini çalıştıran iki dizüstü bilgisayar
Adil kurulum: tek model, tek görev, iki terminal.
Halka açık kıyaslama bize ne söylüyor
Composio, 8 ajan harness'i üzerinde 30 karmaşık çoklu uygulama iş akışını çalıştırdı; tümü DeepSeek V4 Flash kullanarak, görev başına 900 saniye sınırı ve 240 çalıştırma boyunca ikili programatik derecelendirme ile (Composio, Ağustos 2026). Aynı model, farklı harness.
| Harness | Geçme oranı | Medyan süre | Görev başına ortalama token |
|---|---|---|---|
| Pi Agent | %66,7 | 132,2s | 559.000 |
| Prime Agent | %62,5 | 242,1s | 1.400.000 |
| OMP | %56,7 | 272,4s | 742.000 |
| Claude Code | %53,3 | 122,7s | 742.000 |
| Codex | %53,3 | 245,0s | 678.000 |
| DeepAgents | %53,3 | 187,1s | 665.000 |
| Hermes Agent | %50,0 | 175,5s | 192.000 |
| OpenCode | %46,7 | 129,7s | 692.000 |
Token sütunu sıralamadan daha önemlidir. Dağılım, görev başına ortalama 192.000'den 1.400.000 token'a kadar uzanıyor. Bu, aynı modelin farklı çalışma zamanları aracılığıyla karşılaştırılabilir işler yapmasıdır.
OpenCode bize kaynaklı bir taban çizgisi veriyor: görev başına 692.000 token, %46,7 geçme oranı ve 129,7 saniye medyan süre. DeepSeek Harness'ın bu kıyaslamadan halka açık bir bire bir karşılaştırma numarası yok çünkü DeepSeek onu 13 Ağustos 2026'da, kıyaslama yayınlandıktan iki gün sonra yayınladı.
Tabloyu bir uyarı olarak kullanın, bir karar olarak değil. Harness'in maliyete hakim olabileceğini gösteriyor. DeepSeek Harness'in sizin reponuzda OpenCode'u geçip geçmediğini kanıtlamıyor.
Harness değiştirdiğinizde neler değişir?
Test etmeden önce, iki aracı çalışan bir geliştiriciyi etkileyen yönlerden karşılaştırın: kurulum yüzeyi, olgunluk, token görünürlüğü ve ajan döngüsünün ne kadarını değiştirebileceğiniz.
| DeepSeek Harness (dsh) | OpenCode | |
|---|---|---|
| Geliştirici | DeepSeek AI | Anomaly (başlangıçta SST) |
| Yayın tarihi | 13 Ağustos 2026 | 2025 sonu |
| GitHub yıldızı | ~143k | ~198k |
| Lisans | MIT | MIT |
| Dil | TypeScript | Go |
| Arayüz | 127.0.0.1:3080 üzerinde Web UI | Terminal TUI |
| Durum | Geliştirici önizlemesi, son dakika değişiklikleri bekleniyor | Olgun, yaygın olarak dağıtılmış |
| Mimari | Modeller, araçlar, oturumlar, sanal alanlar, depolama, döngüler ve UI için değiştirilebilir eklentiler | Sabit çekirdek, build/plan ajanları, MCP desteği ve LSP uzantıları |
| Yapılandırma | $DSH_HOME/settings.yaml | opencode.json |
| Token muhasebesi | Bağlam baskısı ve tahmin dökümleri ile token metre | Oturum başına token ve maliyet takibi, TUI içinde |
| En uygun olduğu | Ajan döngüsünün kendisini değiştirmek isteyen ekipler | Bugün çalışan bir kodlama ajanı isteyen ekipler |
OpenCode size, etrafında uzantı noktaları bulunan kararlı bir kodlama ajanı sunar. DeepSeek Harness size döngünün kendisinin değiştirilebildiği bir çalışma zamanı sunar. Bu esneklik, ajan altyapısı oluşturuyorsanız yardımcı olur. Bu hafta üretim kodu için varsayılan bir araca ihtiyacınız varsa risk ekler.
Her iki araç da aynı OpenAI uyumlu uç noktayı hedefleyebilir. Bu, adil bir testi mümkün kılar: tek model, tek temel URL, tek görev ve tek başlangıç repo durumu.
Bu izlenecek yol için DeepSeek V4 Flash, Atlas Cloud üzerinden çalışır; bu hizmet, her iki araç tarafından da kabul edilen bir OpenAI uyumlu uç nokta sunar. deepseek-v4-flash-0731 listelemesi, milyon giriş token başına $0,14, milyon çıkış token başına $0,28, 1.048.576 token bağlam penceresi ve Ağustos 2026 itibarıyla 393.216 maksimum çıkış gösteriyor. Her iki harness de aynı uç nokta ve model kimliğini kullandığı sürece herhangi bir sağlayıcı işe yarar.
OpenCode ayrıca toplu kullanım verileri yayınlar. DeepSeek modelleri, OpenCode aracılığıyla 233 trilyon token taşıdı; V4 Flash %85,5 ve V4 Pro %14,5 paya sahip (OpenCode, Ağustos 2026). Bu kullanım deseni, karşılaştırma için V4 Flash'ı pratik bir varsayılan haline getirir.
1. Adım: Her iki aracı da aynı modele yönlendirin
Bir API anahtarı ve bir temel URL oluşturun, ardından her iki araca da aynı çifti besleyin. Anahtarı Atlas Cloud konsolunda oluşturun ve bir kez dışa aktarın:
plaintext1export ATLAS_API_KEY="your-api-key" 2
Uç noktayı herhangi bir harness'e vermeden önce kontrol edin:
plaintext1curl https://api.atlascloud.ai/v1/chat/completions \ 2 -H "Authorization: Bearer $ATLAS_API_KEY" \ 3 -H "Content-Type: application/json" \ 4 -d '{ 5 "model": "deepseek-ai/deepseek-v4-flash-0731", 6 "messages": [{"role": "user", "content": "Reply with the single word: ready"}] 7 }' 8
Bu çağrı, bir harness araçlar, yeniden denemeler veya konuşma tekrarı eklemeden önce rotanın, anahtarın ve model kimliğinin çalıştığını kanıtlar.
`deepseek-ai/deepseek-v4-flash-0731` doğrudan çağrısı: 148 prompt token girdi, 6.879 çıktı token döndü, bunların 5.731'i akıl yürütme token'ı. Bunu, bir harness araç şemaları ve geçmiş eklemeden önceki taban çizgisi olarak kabul edin.
DeepSeek Harness, $DSH_HOME/settings.yaml dosyasını okur ve özel OpenAI uyumlu sağlayıcılar llm-pi-ai eklentisi altına girer (DeepSeek Harness dokümanları, Ağustos 2026):
plaintext1llm-pi-ai: 2 providers: 3 atlas: 4 apiKeyEnv: ATLAS_API_KEY 5 api: openai-completions 6 baseURL: https://api.atlascloud.ai/v1 7 models: 8 - id: deepseek-ai/deepseek-v4-flash-0731 9
Bu uç nokta için openai-completions kullanın. Web UI aynı sağlayıcı bloğunu Ayarlar, Modeller, Özel sağlayıcı ekle'den yazabilir, ardından anahtarı $DSH_HOME/.credentials.yaml dosyasında saklayabilir.
OpenCode, proje kökünde veya genel yapılandırma dizininde opencode.json dosyasını okur (OpenCode dokümanları, Ağustos 2026):
plaintext1{ 2 "$schema": "https://opencode.ai/config.json", 3 "provider": { 4 "atlas": { 5 "npm": "@ai-sdk/openai-compatible", 6 "name": "Atlas Cloud", 7 "options": { 8 "baseURL": "https://api.atlascloud.ai/v1", 9 "apiKey": "{env:ATLAS_API_KEY}" 10 }, 11 "models": { 12 "deepseek-ai/deepseek-v4-flash-0731": { 13 "name": "DeepSeek V4 Flash 0731", 14 "limit": { "context": 1048576, "output": 393216 } 15 } 16 } 17 } 18 }, 19 "model": "atlas/deepseek-ai/deepseek-v4-flash-0731" 20} 21
Bu uç nokta /v1/chat/completions hizmeti verdiği için @ai-sdk/openai-compatible kullanın. Gerçek bağlam ve çıktı sınırlarını ayarlayın. OpenCode, ne zaman özetleyeceğine karar verirken bunları kullanır ve yanlış sınırlar token karşılaştırmasını bozabilir.
2. Adım: DeepSeek Harness'te aynı kıyaslama görevini çalıştırın
Birkaç araç çağrısı gerektirecek kadar büyük ve derecelendirilebilecek kadar küçük bir görev seçin. Her iki çalıştırma için aynı repo durumunu kullanın; bu nedenle başlamadan önce commit veya stash yapın.
Bu tam görevi her iki araca da yapıştırın:
plaintext1Bu depoda, src/server.js dosyasındaki Express uygulaması için bir token-bucket hız sınırlayıcı ara katmanı ekleyin. Her IP'yi dakikada 60 istekle sınırlayın. Reddetme durumunda, JSON gövdesi {"error":"rate_limited","retryAfter":<saniye>} ile HTTP 429 döndürün. Ara katmanı her /api/* rotasına bağlayın. test/rate-limit.test.js dosyasında üç durumu kapsayan birim testleri ekleyin: limitin altındaki bir isteğe izin verilir, limitin üzerindeki bir istek 429 ile engellenir ve sayaç süre sona erdikten sonra sıfırlanır. Test paketini çalıştırın ve geçene kadar hataları düzeltin. src/ ve test/ dışındaki hiçbir dosyayı değiştirmeyin. 2
Harness'i proje dizininizden başlatın:
plaintext1cd /path/to/your/repo 2npx @deepseek-ai/dsh web 3
UI, http://127.0.0.1:3080 adresinde çalışır. atlas sağlayıcısını ve deepseek-ai/deepseek-v4-flash-0731 modelini seçin, görevi yapıştırın ve bitmesini bekleyin. Çalıştırma başladıktan sonra ipucu eklemeyin. Bir araç için ekstra yardım, karşılaştırmayı geçersiz kılar.
Harness bittiğinde, Trajectory görünümünü açın. Token numaralarının bulunduğu oturum kaydı budur.
3. Adım: OpenCode'da çalıştırmayı tekrarlayın
Depoyu tam başlangıç durumuna sıfırlayın. İkinci harness, birincinin zaten değiştirdiği dosyaları miras almamalıdır.
plaintext1git checkout -- . && git clean -fd 2
Ardından OpenCode'u aynı modele karşı çalıştırın:
plaintext1opencode --model atlas/deepseek-ai/deepseek-v4-flash-0731 2
- Adımdaki aynı görev istemini yapıştırın. Varsayılan
buildajanını kullanın. İpucu vermeden bitmesini bekleyin.
Her iki çalıştırmayı da aynı komutla derecelendirin:
plaintext1npm test 2
Test paketini kırmızı bırakan bir çalıştırma, ajan özeti ne kadar kendinden emin görünürse görünsün başarısız olur. İkili derecelendirme kullanın: geçti veya kaldı.
4. Adım: Token kullanımını okuyun
Her iki araç da kullanımı takip eder, ancak hiçbir sayaç nihai fatura numaranız olmamalıdır.
DeepSeek Harness, varsayılan olarak takılı gelen bir token metre gönderir. Trajectory görünümünde tokenUsage, contextPressure ve contextBreakdown değerlerini gösterir. contextBreakdown, faturanın sistem isteminden, araç şemalarından, dosya okumalarından veya konuşma tekrarından mı geldiğini söyler. Metre, token başına yaklaşık dört karakter olduğunu tahmin eder, bu nedenle tanısal bir görünüm olarak kullanın.
OpenCode, oturum başına token ve maliyeti takip eder ve bunları TUI durum satırında yazdırır. Yerleşik dökümü daha küçüktür, bu nedenle araç başına atıf gerektiren ekipler genellikle oturum veritabanını harici analizörlerle inceler.
Karşılaştırma için sağlayıcı tarafı numaralarını kullanın:
| Karşılaştırılacak şey | Nereden alınır |
|---|---|
| Toplam giriş token'ı | Sağlayıcı kullanım panosu, API anahtarı başına |
| Toplam çıkış token'ı | Sağlayıcı kullanım panosu, API anahtarı başına |
| Model çağrısı sayısı | Harness trajectory görünümü / OpenCode oturum günlüğü |
| Duvar saati süresi | Kronometre, başlangıçtan son dosya yazımına |
| Geçti veya kaldı | npm test çıkış kodu |
İki API anahtarı oluşturun, harness-test ve opencode-test ve her anahtarı bir çalıştırma için kullanın. Sağlayıcı panosu daha sonra size iki dahili tahmin ediciyi uzlaştırmadan temiz bir yan yana kullanım sunar.
Fatura neden değişir?
Token kullanımı somut nedenlerle değişir. Bu beş faktör genellikle model fiyatından daha önemlidir.
Konuşma tekrarı birikir. Ajanlar, her adımda büyüyen konuşmayı yeniden gönderir. 40 adımlık bir görev, 40 özdeş istemden ziyade 40 büyüyen istemin toplamına yakındır. Erken özetleyen harness'ler, kıyaslama aralığının alt ucuna daha yakın kalır.
Önbellek isabetleri giriş maliyetini düşürür. DeepSeek V4 Flash önbellek isabetleri, milyon token başına yaklaşık $0,0028, ıskada ise $0,14, yani yaklaşık %98 daha ucuzdur. Önbelleğe alma, bayt-bayt kararlı bir önek gerektirir. Bir harness, çağrılar arasında sistem istemi metnini karıştırırsa, isabetleri ıskaya dönüştürür.
Araç şemaları da gelir. Yirmi bağlı MCP sunucusu, görev bunlardan ikisini kullansa bile, istemde yirmi şema seti anlamına gelir. Kıyaslama yapmadan önce ihtiyacınız olmayan araçların bağlantısını kesin, aksi takdirde harness yerine araç kurulumunuzu ölçersiniz.
Büyük araç çıktıları bağlamı zehirler. 3.000 satırlık bir dosyanın cat komutu veya ayrıntılı başarısız bir test günlüğü, daha sonraki çağrılar için konuşmada kalır. DeepSeek Harness, büyük araç sonuçlarını özetlemeden önce budayabilir. Görev gürültülü çıktı ürettiğinde bunu açın.
Yeniden denemeler çağrı sayısının içinde gizlenir. Başarısız bir test döngüsünü yeniden deneyen bir harness, her seferinde token harcar. Toplam token'ların yanında model çağrılarını karşılaştırın, böylece bir yeniden deneme döngüsünü pahalı bir istemden ayırabilirsiniz.
DeepSeek V4 Flash için Atlas Cloud oranında, 692.000 token'lık bir görev (giriş ağırlıklı) tek haneli sentlerin alt kısmına gelir. Bu, tek bir çalıştırma için küçüktür ve tüm gün ajan çalıştıran bir ekip için büyüktür. Testi ikinci bir modelde tekrarlamak ve model etkilerini harness etkilerinden ayırmak isterseniz, tam model kataloğuna göz atın.
DeepSeek Harness hâlâ bir geliştirici önizlemesidir ve README'si son dakika değişiklikleri konusunda uyarır. Ajan döngüsü üzerinde kontrol istiyorsanız kıyaslayın. Ekibiniz değişiklikleri kaldırabilecekse standart hale getirin. OpenCode, bugün bir araca ihtiyaç duyan ekipler için daha istikrarlı bir seçimdir.
Sıkça Sorulan Sorular
DeepSeek Harness, OpenCode'dan daha mı iyi?
Çoğu ekip için henüz değil. OpenCode olgun, terminal tabanlı, yaklaşık 198 bin yıldızı ve geniş bir sağlayıcı kataloğu var ve bugün çalışıyor. DeepSeek Harness daha yeni, geliştirici önizlemesinde ve son dakika değişiklikleri konusunda uyarıyor. Ajan iç işleyişini değiştirmek istiyorsanız Harness'i seçin. Günlük işler için bir kodlama ajanı istiyorsanız OpenCode'u seçin.
DeepSeek Harness yalnızca DeepSeek modelleriyle mi çalışır?
Hayır. Modelden bağımsızdır. DeepSeek, Anthropic, OpenAI, Bedrock, Vertex, Azure ve Codex için katalog sağlayıcıları ile birlikte gelir ve $DSH_HOME/settings.yaml içinde openai-completions, openai-responses veya anthropic-messages konuşan herhangi bir özel sağlayıcı ekleyebilirsiniz. 1. Adımdaki yapılandırma, onu herhangi bir bağdaştırıcı kodu olmadan bir OpenAI uyumlu uç noktaya yönlendirir.
DeepSeek Harness token kullanımını nasıl kontrol ederim?
Trajectory görünümündeki yerleşik token metreyi kullanın. tokenUsage, contextPressure ve contextBreakdown değerlerini gösterir. Token başına yaklaşık dört karakter kullandığı için bunu bir tahmin olarak kabul edin. Faturalama doğruluğu için, tercihen her çalıştırma için ayrılmış bir API anahtarıyla sağlayıcı kullanım panosunu okuyun.
Hangi harness daha az token kullanır, DeepSeek Harness mi yoksa OpenCode mu?
Henüz hiçbir halka açık bire bir kıyaslama buna cevap vermiyor. Composio kıyaslaması OpenCode'u görev başına ortalama 692.000 token olarak ölçtü, ancak DeepSeek Harness piyasaya sürülmeden önce çalıştırıldı. 2. Adımdan 4. Adıma kadar olan testi kendi reponuzda çalıştırın çünkü token kullanımı kod tabanı boyutuna, araç kurulumuna ve görev şekline bağlıdır.
DeepSeek Harness ve OpenCode'u aynı API anahtarına karşı çalıştırabilir miyim?
Evet, sıradan bir test için. Temiz bir ölçüm için, her harness için bir tane olmak üzere iki ayrı anahtar kullanın. Sağlayıcı panosu daha sonra her token'ı doğru çalıştırmaya atfeder.
Ajan ile harness arasındaki fark nedir?
DeepSeek, bir ajanı Model artı Harness olarak tanımlar. Model akıl yürütür. Harness, modeli dosyalara, kabuk komutlarına, araçlara, oturumlara, onaylara ve bir sonraki eyleme karar veren döngüye bağlar. Harness'i değiştirin ve aynı model, aynı görevde farklı sayıda token harcayabilir.
