DeepSeek Harness vs OpenCode: Çoğu Geliştiricinin Gözden Kaçırdığı Token Kullanım Farkı

Ucuz bir model seçtiniz. Model kartında matematiği yaptınız. Sonra fatura geldi ve sizin matematiğinize hiç benzemiyordu.

Bu fark neredeyse hiçbir zaman modelden kaynaklanmaz. Harness'tan kaynaklanır. Harness, modelinizin kaç kez çağrılacağını, her çağrıda konuşmanın ne kadarının tekrar oynatılacağını, araç şemalarının ne kadar büyük olduğunu ve başarısız bir test çalıştırmasının üç kez mi yoksa on iki kez mi yeniden denenmesi gerektiğini belirler. Aynı model, aynı görev, iki farklı harness, birbirinden çok farklı token sayıları.

13 Ağustos 2026'da DeepSeek kendi ajan harness'ını açık kaynak olarak yayınladı ve tartışma hızla kızıştı. Bir tarafta, modeli oluşturan laboratuvardan gelen iki haftalık bir repo var. Diğer tarafta ise GitHub'da en çok yıldız alan kodlama ajanı OpenCode var. Her ikisi de MIT lisanslı. Her ikisi de işaret ettiğiniz herhangi bir modeli çalıştırıyor.

İşte karşılaştırmanın dürüst versiyonu. Hissiyat değil, yıldız sayısı değil. Her birinin token kullanımınıza gerçekte ne yaptığı ve bunu kendi reponuzda yaklaşık on beş dakika içinde nasıl ölçeceğiniz.

Önemli çıkarımlar

• DeepSeek Harness, DeepSeek AI tarafından geliştirilmiş, MIT lisanslı, TypeScript ile yazılmış ve hala geliştirici önizlemesi etiketine sahip, eklenti öncelikli bir ajan çalışma zamanıdır. Modeller, araçlar, oturumlar, depolama, kum havuzları, döngüler ve hatta ajan döngüsünün kendisi değiştirilebilir eklentilerdir.
• OpenCode, yaklaşık 198k GitHub yıldızına sahip, olgun bir TUI (terminal kullanıcı arayüzü), LSP desteği ve geniş bir sağlayıcı kataloğu sunan, Go dilinde yazılmış, terminal tabanlı bir kodlama ajanıdır. Bugün için güvenli varsayılandır.
• Harness seçimi, token kullanımını çoğu kişinin beklediğinden daha fazla etkiler. DeepSeek V4 Flash üzerinde yapılan 30 iş akışlı bir kıyaslamada, test edilen harness'lar görev başına ortalama 192.000 ila 1.400.000 token arasında değişmiştir.
• DeepSeek Harness bu kıyaslamada yer almıyordu. Kıyaslama yayınlandıktan iki gün sonra piyasaya sürüldü, bu nedenle şu anda Harness kıyaslama rakamlarından bahseden herkes tahmin yürütüyordur.
• Her ikisi de modelden bağımsızdır, bu nedenle her ikisini de aynı OpenAI uyumlu uç noktaya yönlendirebilir ve gerçek bir birebir test yapabilirsiniz. Sizin kod tabanınız için önemli olan tek sayı budur.

Güneşli bir masada yan yana duran iki dizüstü bilgisayar, aynı kodlama görevini iki farklı ajan harness'ı ile çalıştırıyor

DeepSeek Harness ve OpenCode'u karşılaştırmanın tek adil yolu: bir model, bir görev, iki terminal.

DeepSeek Harness vs OpenCode neden ayın tartışması haline geldi?

DeepSeek'in çerçevesi bir slogandır: Ajan = Model + Harness. Model düşünür, harness dosyaları okur, terminali çalıştırır ve araçları çağırır. İki yıl boyunca herkes ilk yarıyı optimize etti ve ikinci yarıyı tesisat olarak gördü.

Tesisatın pahalı olduğu ortaya çıktı.

Composio, aynı DeepSeek V4 Flash modelini kullanan 8 farklı ajan harness'ı üzerinden 30 karmaşık çok uygulamalı iş akışı çalıştırdı ve görev başına 900 saniyelik bir sınır ve 240 çalıştırma boyunca ikili programlı derecelendirme yaptı (Composio, Ağustos 2026). Her yerde aynı model. Sonuçlar yakın değildi.

Token sütununu tekrar okuyun. En tutumlu harness, aynı modeli aynı görevlerde çalıştırırken en savurgan olanın yaklaşık yedide biri kadar token kullandı. Kıyaslamanın kendi sonucu, harness'ların "çalıştırdıkları modeller kadar önemli olabileceği" yönündeydi.

Şimdi çoğu makalenin atladığı kısım. DeepSeek Harness bu tabloda yok. Kıyaslama 11 Ağustos'ta yayınlandı ve Harness 13 Ağustos'ta piyasaya sürüldü. DeepSeek Harness için henüz güvenilir bir birebir token sayısı yok ve bu ay size bir tane gösteren herkes ya dar bir görevde kendisi çalıştırmıştır ya da uydurmuştur. Tablonun size verdiği şey, OpenCode için sağlam, kaynaklı bir temel çizgidir: görev başına 692.000 token, %46,7 geçiş oranı, 129,7 saniye medyan süre.

Bu, yenmeye çalıştığınız sayıdır ve bu makalenin geri kalanı, bunu dürüstçe nasıl test edeceğinizdir.

DeepSeek Harness vs OpenCode: aynı model, tek uç nokta, iki çalışma zamanı

Herhangi bir şey çalıştırmadan önce her iki aracın pratik şekli aşağıdadır.

Önemli satır, mimari satırıdır. OpenCode size iyi inşa edilmiş bir ajan verir ve kenarları genişletmenize izin verir. DeepSeek Harness size bir iskelet verir ve omurgayı, yani kendisi de bir eklenti olan ajan döngüsünü değiştirmenize izin verir. Bu gerçekten sıra dışıdır ve aynı zamanda hala önizleme aşamasında olmasının nedenidir.

Her ikisi de modelden bağımsızdır ve adil bir testin mümkün olmasının tüm nedeni budur. Her ikisini de tek bir model sunan bir OpenAI uyumlu uç noktaya yönlendirin ve ölçtüğünüz her fark harness'a ait olacaktır.

Bu anlatım için DeepSeek V4 Flash'ı Atlas Cloud üzerinden sunuyorum, çünkü her iki harness'ın da herhangi bir bağdaştırıcı kodu olmadan kabul ettiği düz bir OpenAI uyumlu uç nokta sunar ve aynı anahtar her iki çalıştırma için de çalışır. Oradaki deepseek-v4-flash-0731 listelemesi, milyon giriş tokenı başına 0,14 $ ve milyon çıkış tokenı başına 0,28 $, 1.048.576 token bağlam penceresi ve 393.216 maksimum çıkış ile Ağustos 2026 itibarıyla geçerlidir. Bu test için herhangi bir OpenAI uyumlu sağlayıcı çalışır. Önemli olan, her iki harness'ın da aynı uç noktaya ulaşmasıdır.

Bir model seçmeden önce bilmeye değer: OpenCode kendi toplu kullanım verilerini yayınlar ve DeepSeek modelleri buradan 233 trilyon token taşımıştır; V4 Flash bunun %85,5'ini, V4 Pro ise kalan %14,5'ini oluşturur (OpenCode, Ağustos 2026). Flash, ekosistemin gerçekte üzerinde çalıştığı şeydir.

Adım 1: DeepSeek Harness ve OpenCode'u aynı modele yönlendirin

Bir API anahtarı ve bir temel URL alın, ardından her iki araca da aynı çifti besleyin. Anahtarı Atlas Cloud konsolunda oluşturun ve bir kez dışa aktarın:

bashCopy
1export ATLAS_API_KEY="your-api-key"
2

Her iki harness'ı bağlamadan önce, uç noktayı ve tam model kimliğini tek bir çağrıyla test edin. Bu metin döndürmezse, aşağı akışta hiçbir şey çalışmaz:

bashCopy
1curl 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

Modelin gerçek görevi uç nokta üzerinden doğrudan bir kez yanıtladığını görmek, ardından bir ajana teslim etmeden önce yardımcı olur. Böylece başarısız bir çalıştırmanın harness'tan kaynaklandığını ve yolun kendisinden kaynaklanmadığını bilirsiniz:

Makalenin görev istemi api.atlascloud.ai'ye gönderildi, yanında DeepSeek V4 Flash 0731'in döndürdüğü gerçek yanıt ve çağrının bildirdiği token kullanımı

api.atlascloud.ai'ye yapılan gerçek bir çağrı: her iki harness'ın da kullanacağı aynı model kimliği. 148 giriş tokenı, 6.879 çıkış tokenı, bunların 5.731'i akıl yürütme. Bu, bir harness tek bir araç şeması eklemeden önceki tabanınızdır.

Şimdi her iki tarafı da yapılandırın. DeepSeek Harness, $DSH_HOME/settings.yaml dosyasını okur ve özel OpenAI uyumlu sağlayıcılar llm-pi-ai eklentisi altına eklenir (DeepSeek Harness dokümanları, Ağustos 2026):

yamlCopy
1llm-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

api alanı openai-completions, openai-responses veya anthropic-messages kabul eder. Burada openai-completions kullanın. YAML'yi elle düzenlemek istemezseniz, web UI'da Ayarlar > Modeller > Özel sağlayıcı ekle seçeneği vardır, bu da aynı bloğu yazar ve anahtarı bunun yerine $DSH_HOME/.credentials.yaml dosyasında saklar.

OpenCode, proje kök dizinindeki veya genel yapılandırma dizinindeki opencode.json dosyasını okur (OpenCode dokümanları, Ağustos 2026):

jsonCopy
1{
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

@ai-sdk/openai değil, @ai-sdk/openai-compatible kullanın, çünkü bu uç nokta /v1/chat/completions sunar. limit değerlerini gerçek bağlam ve çıkış sayılarına ayarlayın, çünkü OpenCode bunları ne zaman özetleneceğine karar vermek için kullanır ve yanlış bir limit token karşılaştırmanızı ciddi şekilde bozar.

Adım 2: Kıyaslama görevini DeepSeek Harness'ta çalıştırın

Birkaç araç çağrısı gerektirecek kadar büyük ve nesnel olarak derecelendirilebilecek kadar küçük bir görev seçin. Çok dosyalı, artı gerçekten geçmesi gereken bir test paketi. Her iki çalıştırma için aynı repo durumunu kullanın, bu nedenle önce commit yapın veya stash edin.

İşte tam görev istemi. Her iki harness'a da aynen yapıştırın:

textCopy
1Bu depoda, src/server.js dosyasındaki Express uygulaması için bir token-bucket hız sınırlayıcı middleware ekleyin. Her IP'yi dakikada 60 istekle sınırlayın. Reddedilme durumunda, HTTP 429'u {"error":"rate_limited","retryAfter":<saniye>} JSON gövdesiyle döndürün. Middleware'i her /api/* yoluna bağlayın. test/rate-limit.test.js dosyasına üç durumu kapsayan birim testler ekleyin: limitin altındaki bir isteğe izin verilir, limitin üzerindeki bir istek 429 ile engellenir ve sayaç pencere sona erdikten sonra sıfırlanır. Test paketini çalıştırın ve geçene kadar hataları düzeltin. src/ ve test/ dışındaki hiçbir dosyayı değiştirmeyin.

Harness'ı proje dizininizden başlatın:

bashCopy
1cd /path/to/your/repo
2npx @deepseek-ai/dsh web
3

Bu, http://127.0.0.1:3080 adresinde web UI'ı sunar. atlas sağlayıcısını ve deepseek-ai/deepseek-v4-flash-0731 modelini seçin, görevi yapıştırın ve tamamlanana kadar çalıştırın. Müdahale etmeyin, açıklayıcı soruları ipuçlarıyla yanıtlamayın. Bir harness'a diğerine vermediğiniz herhangi bir yardım, karşılaştırmayı geçersiz kılar.

Bittiğinde, Yörünge görünümünü açın. Bu, oturum kaydıdır ve token sayılarının bulunduğu yerdir.

Adım 3: Adil bir DeepSeek Harness vs OpenCode testi için çalıştırmayı OpenCode'da tekrarlayın

Depoyu tam olarak aynı başlangıç durumuna sıfırlayın. Çoğu gayri resmi karşılaştırmanın sessizce bozulduğu adım budur, çünkü ikinci harness ilkinin yarı yarıya düzelttiği bir depoda başlar.

bashCopy
1git checkout -- . && git clean -fd
2

Ardından OpenCode'u aynı modele karşı çalıştırın:

bashCopy
1opencode --model atlas/deepseek-ai/deepseek-v4-flash-0731
2

2. Adımdaki aynı görev istemini yapıştırın. Varsayılan build ajanını kullanın, çünkü bu, tam dosya ve kabuk erişimine sahip olandır. Yine, ipucu yok, rota düzeltmesi yok, aynı müdahalesiz muamele.

Bitmesine izin verin, ardından her iki çalıştırmayı da herhangi bir PR'yi derecelendirdiğiniz gibi doğrulayın:

bashCopy
1npm test
2

Test paketini kırmızı bırakan bir çalıştırma, özet ne kadar kendinden emin görünürse görünsün geçmemiştir. Composio metodolojisinin yaptığı gibi ikili olarak derecelendirin. Yarı çalışan bir hız sınırlayıcı başarısızdır.

Adım 4: DeepSeek Harness vs OpenCode token kullanımını okuyun

Şimdi sayıları toplayın. Her iki harness da kullanımı takip eder ancak bunu çok farklı şekillerde gösterir ve bu, aralarındaki en büyük günlük farktır.

DeepSeek Harness varsayılan olarak takılı bir token sayacıyla birlikte gelir. Doğrudan okuyabileceğiniz üç oturum projeksiyonu sunar: tokenUsage (çalışan toplam), contextPressure (pencereye ne kadar yakın olduğunuz) ve contextBreakdown (token'ların aslında nereye gittiği). Sonuncusu en kullanışlı olanıdır, çünkü faturanızın sistem istemi, araç şemaları, dosya okumaları veya konuşma tekrarından kaynaklanıp kaynaklanmadığını söyler. Sayaç, gerçek bir tokenleştirici yerine dört karakter başına yaklaşık bir token sabit bir buluşsal yöntem kullanır, bu nedenle güçlü bir tahmin olarak değerlendirin, fatura olarak değil.

Harness, tam bir bağlamı da farklı şekilde ele alır. Kırpmak yerine, sıkıştırma motoru katlar: model tarafından görünen yüzeyi bir özetle değiştirirken, tam günlük kalıcılık katmanında kalır. İstemeden token kaybedersiniz, kayıttan geçmişi değil.

OpenCode, token ve maliyeti oturum başına takip eder ve çalışırken durum satırında yazdırır. TUI içi döküm kasıtlı olarak minimaldir, bu nedenle OpenCode'un oturum veritabanını doğrudan okuyarak kullanımı araca ve önbellek isabet oranına göre ayıran küçük bir harici analizör ekosistemi vardır. Araç bazında bir atıf istiyorsanız, bir şey yüklemeniz gerekecektir.

Karşılaştırma için, her iki aracın kendi sayacına nihai söz olarak güvenmeyin. Sağlayıcı tarafındaki sayıyı kullanın, çünkü gerçekte ödediğiniz şey budur:

En temiz yöntem, biri harness-test ve diğeri opencode-test olarak adlandırılmış iki ayrı API anahtarı oluşturmak ve her birini tam olarak bir çalıştırma için kullanmaktır. Ardından sağlayıcının kendi kullanım sayfası size sıfır tahmin hatasıyla tartışılmaz bir yan yana karşılaştırma verir. Bu numara iki dakika sürer ve sayacının doğru olduğu konusundaki her anlaşmazlık kaynağını ortadan kaldırır.

DeepSeek harness token kullanımı: faturayı gerçekte ne hareket ettirir?

Gerçek sayılara sahip olduğunuzda, dokunmaya değer kaldıraçlar bunlardır. Her iki harness için de geçerlidir ve hangisini seçtiğinizden çok daha önemlidir.

Konuşma tekrarı genellikle en büyük kalemdir. Ajanlar, büyüyen konuşmayı her adımda yeniden gönderir. 40 adımlı bir görev, 40 istem maliyeti değildir, 40 giderek artan uzun istemin toplamına daha yakındır. Bu nedenle kıyaslama aralığı, aynı işte 192.000'den 1.400.000 token'a kadar değişiyordu. Agresif bir şekilde özetleyen harness'lar bu aralığın altında yer alır.

Önbellek isabetleri mevcut en ucuz optimizasyondur. DeepSeek V4 Flash önbellek isabetleri, isabetsiz başına 0,14 $'a karşılık milyon token başına yaklaşık 0,0028 $ olarak fiyatlandırılır, yaklaşık %98 daha ucuzdur. Önbellek yalnızca istek öneki bayt bayt aynı olduğunda çalışır, bu da tam olarak DeepSeek Harness'in katı {{variable}} enterpolasyonu ve başarısız olursa yüksek sesle hata verme semantiği uygulamasının ve kararlı bir istek başlığı tutmasının nedenidir. Sistem isteminizi çağrılar arasında karıştıran bir harness, her isabeti sessizce bir isabetsizliğe dönüştürür.

Araç şemaları her çağrıda birlikte gelir. Bağlı yirmi MCP sunucusu, görev onlara dokunsa da dokunmasa da, sonsuza kadar istemde yirmi şema seti anlamına gelir. Kıyaslama yapmadan önce bu görevin ihtiyaç duymadığı şeylerin bağlantısını kesin, aksi takdirde harness'ınızı değil, MCP yapılandırmanızı ölçüyor olursunuz.

Aşırı büyük araç sonuçları bağlamı zehirler. 3.000 satırlık bir dosyanın tek bir cat'i veya tam yığın izleri döken ayrıntılı bir test çalıştırıcısı, çalıştırmanın geri kalanı için konuşmada kalır. Harness, özetlemeden önce aşırı büyük araç sonuçlarını yeniden yazan isteğe bağlı bir sonuç budama yardımcısına sahiptir. Açmaya değer.

Yeniden denemeler, çağrıları sayana kadar görünmezdir. Başarısız bir testi üç kez yeniden deneyen bir harness, üç kat harcar. Yalnızca toplam tokenları değil, çağrı sayısı sütununu da karşılaştırın, aksi takdirde bir yeniden deneme döngüsünü pahalı bir model olarak yanlış teşhis edersiniz.

Maliyet konusunda, bir token sayınız olduğunda aritmetik basittir. Atlas Cloud'un DeepSeek V4 Flash oranında, girişe doğru ağırlıklı 692.000 tokenlık bir görev, tek haneli düşük sentlerde yer alır. Bu, tüm bu kategoriyle ilgili iyi haberdir: model, harness israfının bir bütçe acil durumundan ziyade bir verimlilik sorunu olacağı kadar ucuzdur. Gerçek bir sayı haline gelmesi, bir ekiple çarptığınızda, tüm gün, her gün çalıştırdığınızda olur. Aynı testi ikinci bir modele karşı çalıştırmak ve model etkilerini harness etkilerinden ayırmak istiyorsanız, tam model kataloğuna göz atın.

Herhangi bir token sayısından daha fazla kararınızı şekillendirmesi gereken bir uyarı: DeepSeek Harness açıkça geliştirici önizlemesindedir ve kendi README'si büyük harflerle uyumluluk kıran değişiklikler olacağı konusunda uyarır. Bu, kıyaslama yapmak için iyi bir şeydir, ancak bu ay bir ekibi standartlaştırmak için riskli bir şeydir. OpenCode sıkıcı seçimdir ve sıkıcı olmak, üretim reponuza karşı çalışırken bir özelliktir.

Sıkça Sorulan Sorular

DeepSeek Harness, OpenCode'dan daha mı iyi?

Çoğu insan için henüz değil. OpenCode olgundur, terminal tabanlıdır, yaklaşık 198k yıldızı ve geniş bir sağlayıcı kataloğu vardır ve bugün çalışır. DeepSeek Harness iki haftalıktır, geliştirici önizlemesindedir ve uyumluluk kıran değişiklikler konusunda uyarır. Harness mimari olarak daha ilginçtir, çünkü ajan döngüsü de dahil olmak üzere her bileşen değiştirilebilir bir eklentidir. Ajan iç yapısını yeniden yazmak istiyorsanız, Harness bunun için inşa edilmiştir. Bu hafta kod göndermek istiyorsanız, OpenCode.

DeepSeek Harness yalnızca DeepSeek modelleriyle mi çalışır?

Hayır. Modelden bağımsızdır. DeepSeek, Anthropic, OpenAI, Bedrock, Vertex, Azure ve Codex için katalog sağlayıcılarıyla birlikte gelir ve openai-completions, openai-responses veya anthropic-messages konuşan herhangi bir özel sağlayıcıyı $DSH_HOME/settings.yaml dosyasına bir blok ekleyerek ekleyebilirsiniz. 1. Adımdaki yapılandırma, onu herhangi bir bağdaştırıcı kodu olmadan üçüncü taraf bir OpenAI uyumlu uç noktaya yönlendirir.

DeepSeek harness token kullanımını nasıl kontrol ederim?

Varsayılan olarak takılı olan ve Yörünge görünümünde görülebilen tokenUsage, contextPressure ve contextBreakdown projeksiyonlarını sunan yerleşik token sayacını kullanın. Gerçek bir tokenleştirici çalıştırmak yerine dört karakter başına yaklaşık bir token sabit bir buluşsal yöntemle tahmin ettiğini unutmayın. Faturalama doğruluğu için bunun yerine sağlayıcınızın kullanım panelini okuyun, ideal olarak çalıştırma başına özel bir API anahtarı kullanın. Token kullanımı panoları gibi topluluk eklentileri, üstüne kalıcı oturum başına kayıtlar ekler.

Hangi harness daha az token kullanır, DeepSeek Harness mı yoksa OpenCode mı?

Henüz yayınlanmış bir birebir karşılaştırma yoktur. DeepSeek V4 Flash üzerindeki 8 harness kıyaslaması, OpenCode'u görev başına ortalama 692.000 token olarak ölçtü, ancak DeepSeek Harness piyasaya sürülmeden iki gün önce çalıştırıldı, bu nedenle Harness dahil edilmedi. Bu kıyaslamadan bir Harness sayısı aktaran herkes, var olmayan bir şeyi aktarıyordur. Kendi reponuzda 2. Adımdan 4. Adıma kadar olan testi çalıştırın, çünkü token kullanımı büyük ölçüde kod tabanınızın boyutuna, MCP yapılandırmanıza ve görev şeklinize bağlıdır.

DeepSeek Harness ve OpenCode'u aynı API anahtarına karşı çalıştırabilir miyim?

Evet ve sıradan bir test için bu sorun değildir. Temiz bir ölçüm için, harness başına iki ayrı anahtar kullanın. Ardından sağlayıcınızın kullanım paneli her tokenı otomatik olarak doğru çalıştırmaya atar ve iki farklı dahili tahmin ediciyi tek bir faturayla hiçbir zaman uzlaştırmak zorunda kalmazsınız.

Ajan ile harness arasındaki fark nedir?

DeepSeek'in kendi çerçevesi şudur: Ajan = Model + Harness. Model akıl yürütmeyi yapar. Harness, onu gerçekliğe bağlayan her şeydir: dosyaları okuma ve yazma, kabuk komutlarını çalıştırma, araçları çağırma, oturumları yönetme, onayları işleme ve sonra ne olacağına karar veren döngüyü yürütme. Aynı model artı farklı bir harness, size ölçülebilir şekilde farklı bir ajan verir; bu, bu karşılaştırmanın tüm amacıdır.