So installieren Sie DeepSeek Harness (dsh): npx-Einzeiler, Quellcode-Build, Headless und Plugins

To install Deep​Seek Harness (dsh), the open-source agent runtime Deep​Seek shipped on August 13, 2026, run npx @deepseek-ai/dsh web on a machine with Node.js 22.19 or newer. That one command downloads the 0.1.0-rc.6 preview, starts a local web UI at http://127.0.0.1:3080, and walks you through adding a model API key and a workspace on first launch. Two things to know before you start: dsh is not a model — it's the harness layer that connects a model to tools, files, and a terminal — and it's a developer preview, so expect breaking changes between releases. This guide covers both official install methods, headless mode, plugins, MCP, and the honest rough edges.

Was Deep​Seek Harness ist — und was es nicht ist

Die interne Formel von Deep​Seek, bestätigt durch den leitenden Forscher Chen Deli, lautet: Modell + Harness = Agent. Das Modell ist das Gehirn; das Harness ist alles, was es in etwas verwandelt, das Arbeit erledigt: Kontext- und Speicherverwaltung, Tool-Aufrufe, Aufgabenplanung, Datei-Lesen und -Schreiben, Terminal-Ausführung, Fehler-Feedback und die Entscheidung, wann eine Aufgabe abgeschlossen ist. Deep​Seek Harness ist diese Schicht, die am 13. August 2026 unter der MIT-Lizenz als Open Source veröffentlicht wurde – am selben Tag, an dem der Deep​Seek V4 Pro 0813-Build auf der Deep​Seek API erschien.

Zwei Fakten bestimmen das Installationserlebnis. Erstens ist die Architektur „alles ist ein Plugin", aufgebaut auf Cordis, einem TypeScript-Plugin-Container — was du also installierst, ist ein kleiner Kern plus eine Reihe von Plugins, die Modelladapter, Tools, Sitzungen und UI bereitstellen. Zweitens ist die Version auf npm heute 0.1.0-rc.6, ein Release-Kandidat, den das Projekt selbst als Entwicklervorschau kennzeichnet: Die README-Datei warnt in Großbuchstaben, dass KOMPATIBILITÄTSBRECHENDE ÄNDERUNGEN BEVORSTEHEN. Die Popularität ist real — 50.000 GitHub-Sterne in den ersten 12 Stunden, 100.000 in etwa 42 Stunden und über 120.000 bis zum 16. August laut chinesischer Tech-Presse — aber Sterne messen Interesse, nicht Stabilität. Plane deine Installation wie eine Vorschau: schnell auszuprobieren, günstig wegzuwerfen.

Bevor Sie beginnen: die tatsächlichen Systemanforderungen

Die einzige zwingende Voraussetzung ist Node.js. Das Projekt unterstützt den Engine-Versionsbereich ^22.19.0 || >=24.0.0 — also konkret: Node 22.19 oder neuer, oder jedes Node 24.x. Überprüfe deine Version mit node --version. Wenn du eine ältere Node-Version verwendest, schlägt die npx-Installation fehl oder verhält sich falsch, anstatt sauber zu degradieren.

Alles andere ist leichter, als die Model-First-Gemeinde annimmt:

• Ein API-Schlüssel für das Modell. dsh führt ein echtes Modell aus; es benötigt einen Schlüssel für die Deep​Seek-API oder einen beliebigen OpenAI-kompatiblen Anbieter, den Sie konfigurieren. Sie können einen nach dem ersten Start in der Web-UI hinzufügen.

• pnpm — nur für den Build aus dem Quellcode. Einmal installieren mit npm install -g pnpm.

• ~1 GB freier Speicherplatz für das npm-Paket, den Arbeitsbereich und die Sitzungsprotokolle, plus alles, was ein lokales Modell benötigen würde (dsh selbst führt keine Gewichte aus).

• OS: Der npm-Ansatz funktioniert unter Windows, macOS und Linux. Das Python-SDK ist eingeschränkter (Linux x64/arm64, macOS 14+ arm64 — kein natives Windows) und wird unten behandelt.

Du brauchst keine GPU. Der Harness orchestriert nur; das Modell läuft remote über eine API.

Methode 1 — der npx-Einzeiler (für fast alle empfohlen)

Der offizielle Schnellstart ist ein einziger Befehl, und er ist wirklich ein einziger Befehl:

npx @deepseek-ai/dsh web

npx fetches the @deepseek-ai/dsh package (current version 0.1.0-rc.6), installs it into npm's cache, and starts the Web UI profile. Watch the output for the line that tells you it's listening — by default that is http://127.0.0.1:3080. Open it in your browser. Note the 127.0.0.1 loopback address: the UI binds to localhost only, which is the right default for a tool that can read and write files in your workspace — it also means you won't casually expose it on your network.

Der erste Start umfasst genau zwei Einrichtungsschritte:

• Fügen Sie einen Modellschlüssel hinzu.Einstellungen → Modelle → geben Sie Ihren API-Schlüssel ein. Er wird in $DSH_HOME/.credentials.yaml gespeichert und anschließend nicht im Klartext angezeigt. Bei einer Standardinstallation DSH_HOMEist ~/.dsh.

• Wählen Sie einen Arbeitsbereich. Fügen Sie das Projektverzeichnis hinzu, in dem dsh arbeiten darf. Die Eingabe bleibt gesperrt, bis beide Schritte abgeschlossen sind.

Senden Sie dann eine erste Aufgabe – ein guter Smoke-Test ist "Fassen Sie dieses Repository zusammen und identifizieren Sie seine Hauptpakete." Wenn die Zusammenfassung zurückkommt und die Tool-Aufrufe im Run-Trace erscheinen, funktioniert Ihre Installation.

Methode 2 — aus dem Quellcode erstellen

Lieber direkt aus dem Repository laufen? Der offizielle Pfad ist:

git clone https://github.com/deepseek-ai/deepseek-harness.git

cd deepseek-harness

pnpm install

pnpm run build

pnpm dsh web

Dafür benötigst du pnpm (Mitwirkende verwenden pnpm 11.7.0). Wähle den Quell-Build, wenn du den neuesten main statt des veröffentlichten Release-Kandidaten ausführen möchtest, wenn du vorhast, den Harness zu lesen oder zu ändern, oder wenn du ein benutzerdefiniertes Preset aus dem Verzeichnis apps/cli/config/agent-presets/ des Repos erstellen möchtest. Für alle anderen ist der npx-Weg dieselbe Software mit weniger Zeremoniell – der Quell-Build schaltet keine Funktionen frei, die das npm-Paket nicht bietet.

Die drei Profile: web, headless und tui

dsh wird als drei Ausführungsprofile ausgeliefert, und welches Sie verwenden, hängt davon ab, wo die Arbeit stattfindet:

• web (Standard) — die vollständige Browser-Oberfläche auf Port 3080. Das ist es, was npx @deepseek-ai/dsh web startet, und es ist das Profil, das die meisten zuerst installieren.

• headless — eine Aufgabe, dann Ende. dsh --profile headless "run the test suite and report failures" startet eine Sitzung, führt die Aufgabe aus, schreibt die Ergebnisse und beendet sich. Die Headless-Laufzeit ist ausdrücklich ein Einzelaufgaben-Prozess: Man kann während des Laufs keine Folgeaufträge einschieben, und Korrekturen sind ein neuer Lauf im selben Arbeitsbereich. Dies ist das Profil für die Einbindung in Skripte und CI.

• tui — eine Terminal-UI für tastaturgesteuerte Sitzungen: dsh --profile tui.

Alle drei verwenden dieselbe Konfiguration (~/.dsh/profiles/<name>/) und dasselbe Plugin-System, sodass das Verschieben einer Aufgabe von der Web-UI auf headless ein Befehlswechsel ist, keine Neuinstallation.

Plugins hinzufügen

Plugin-Verwaltung ist ein erstklassiger CLI-Befehl, kein direktes Bearbeiten vor Ort:

npx @deepseek-ai/dsh plugin --profile web add <source>

Die Quelle kann ein npm-Paketname, ein GitHub-Repository (github:user/repo), ein Tarball oder ein lokaler Ordner sein. Die nützlichste erste Installation ist der offizielle Plugin-Markt, der die Plugin-Entdeckung in eine Benutzeroberfläche verwandelt:

npx @deepseek-ai/dsh plugin --profile web add dshmarket

Starten Sie dann den Webdienst neu und öffnen Sie Einstellungen → Plugin-Markt, um im Katalog zu stöbern und Plugins mit einem Klick zu installieren. Zwei Regeln, über die viele stolpern: Plugin-Bundles werden beim Profilstart gemountet, daher benötigt ein neu hinzugefügtes Plugin einen Neustart von dsh web; und ein einfaches npm install registriert kein Plugin in einem Profil — Sie müssen dsh plugin verwenden. Das Ökosystem ist jung, aber nicht leer: die von der Community gepflegte awesome-dsh-plugin-Liste verzeichnet bereits Hunderte von Plugins in Kategorien wie UI, Skills, Tools, Provider und Benachrichtigungen.

MCP, die vier Voreinstellungen und die Trajektorienwiedergabe.

Drei Funktionen sind wichtig, sobald Sie eine Grundinstallation hinter sich haben:

MCP. dsh spricht das Model Context Protocol durch ein eingebautes @deepseek-ai/dsh-mcp-client-Plugin. Heute wird das in Dateien konfiguriert, nicht in der UI: Sie bearbeiten ~/.dsh/profiles/web/cordis.patch.yml (oder einen projektlokalen Patch) und deklarieren den Transport jedes Servers — stdio für lokale Befehle wie npx @playwright/mcp@latest, streamable-http für entfernte URLs. Es funktioniert, aber es ist der am wenigsten ausgefeilte Teil der Vorschau; erwarten Sie gelegentliche Instabilität und keine GUI zum Umschalten von Servern.

Voreinstellungen. dsh lädt pro Sitzung eine von vier Agent-Voreinstellungen, und jede stellt einen anderen Kompromiss dar:

• Standard — das komplette Toolset: Dateibearbeitung, Shell, Datei- und Webabruf, Skills, Planung, Subagenten, Workflows. Der Alltagsstandard.

• PTC (Programmatic Tool Calling) – Standard plus ein Code-Mode-SDK, das es dem Modell ermöglicht, TypeScript-Programme zu schreiben, um mehrstufige Tool-Aufrufe zu orchestrieren. Leistungsfähiger, mehr Nebeneffekte.

• Minimal — nur bash und einen Datei-Editor, sonst nichts. Entwickelt für Modell-Benchmarking und minimale Reproduktion; der Modus, auf den sich die Deep​Seek-V4-Flash-API-Dokumentation bezog, als sie ihre eigenen Agenten-Scores offenlegte, lief als „Deep​Seek Harness minimal mode".

• Erstellung — eine Laufzeit-Spielwiese: Cordis-Plugins im Speicher untersuchen und laden, experimentieren und eine funktionierende Kombination zu einem neuen Preset verfestigen.

Trajektorien-Wiedergabe. Jeder Lauf schreibt ein Append-only-Sitzungsprotokoll — System-Prompts, Überlegungen, Tool-Aufrufe und deren Ergebnisse, Subagenten-Planung. Die Trajektorien-Ansicht ermöglicht es, einen Lauf nach Quelle zu inspizieren, fortzusetzen, zu forken, zu durchsuchen und wiederzugeben. Das ist der Debugger für Agentenarbeit: Wenn eine Aufgabe fehlschlägt, startet man nicht einfach neu und hofft; man spielt die fehlgeschlagene Trajektorie erneut ab, forkt sie am fehlerhaften Schritt und testet einen Fix, ohne das Original zu verwerfen.

Die Python-SDK-Option

Wenn Sie das Harness lieber aus Python heraus steuern möchten als über einen Browser, gibt es ein offizielles SDK: pip install deepseek-harness-sdk. Es bündelt die dsh-Laufzeitumgebung (das pip-Wheel enthält die Node-Laufzeit, sodass keine separate Node-Installation nötig ist), und die Verwendung erfolgt über einen Kontextmanager: Erstellen Sie eine Deep​SeekHarness-Instanz und rufen Sie run("task") auf. Es erbt Standard-Umgebungsvariablen wie DEEPSEEK_API_KEY und DEEPSEEK_BASE_URL, ein Anbieterwechsel ist also lediglich eine Konfigurationsänderung. Der Haken: Es setzt Python 3.10+ voraus und unterstützt nur Linux x64/arm64 und macOS 14+ arm64 – es gibt kein natives Windows-Wheel, was eine echte Lücke darstellt, wenn Windows Ihr Hostsystem ist. Unter Windows bleiben Sie beim npm-Weg.

dsh auf die Modelle richten, für die Sie zahlen

dsh benötigt einen Modell-API-Schlüssel und ist bewusst provider-agnostisch: Unter Einstellungen → Modelle kann ein benutzerdefinierter Anbieter mit einer Open​AI-kompatiblen Basis-URL akzeptiert werden (in settings.yaml sind das api: openai-completions, baseURL und eine models-Liste). Die Standardeinstellung ist die eigene API von Deep​Seek; ein benutzerdefinierter Anbieter ist dort nützlich, wo ein Routing-Gateway zum Einsatz kommt.

OrcaRouter is an Open​AI-compatible endpoint that passes Deep​Seek's list price through with zero markup — https://api.orcarouter.ai/v1. That gives you DeepSeek V4 Flash (deepseek/deepseek-v4-flash-0731, about $0.15 per million input tokens and $0.29 per million output) and DeepSeek V4 Pro (about $0.44/$0.88), both at provider list price with no token markup, plus automatic failover if a provider wobbles. For dsh, the practical win is that you can run the cheap V4 Flash for the bulk of everyday agent tasks and switch the same harness to V4 Pro for the hard passes — one key, one base URL, and the swap is a model name in the settings, not a reinstall.

Um die Grenzen klarzustellen: OrcaRouter hostet die Modelle-dsh-Aufrufe; es hostet dsh nicht selbst. dsh ist eine lokale Agenten-Laufzeitumgebung, und du betreibst es auf deinem eigenen Rechner.

Wo dieser Leitfaden für Sie falsch ist — ehrliche Probleme mit der Vorschau

Ein Installations-Tutorial, das dir nur sagt, was du eingeben sollst, macht nur die halbe Arbeit. Hier ist, was die Vorschau heute falsch macht, damit du es nicht um 2 Uhr nachts entdeckst:

• Breaking Changes sind ein Versprechen, keine Warnung. Du bist auf 0.1.0-rc.6. Konfigurationsschlüssel, die Plugin-API und Preset-Formate können sich jederzeit ohne Vorankündigung ändern. Behandle ~/.dsh als wegwerfbaren Zustand – ein fehlgeschlagenes Update kostet nur eine Neuinstallation, und das ist in dieser Phase nur akzeptabel, weil die Installation ein einziger Befehl ist.

• Du brauchst dsh nicht, um Deep​Seek-Modelle als Agenten zu nutzen. Wenn es dir heute nur um DeepSeek V4 Flash oder DeepSeek V4 Pro in einem Agenten geht, funktioniert der Anthro​pic-kompatible Endpunkt von Deep​Seek bereits in Claude Code und anderen Agent-Tools ohne neue Software. dsh ist eine Option von Deep​Seek selbst, keine Voraussetzung. Überspringe diese Installation, bis du ausdrücklich die native Umgebung möchtest.

• MCP ist dateibasiert konfiguriert und gelegentlich unzuverlässig. Keine GUI, kein Start/Stopp-Umschalter pro Server, und Erfahrungsberichte beschreiben intermittierende Fehler. Plane Zeit für YAML-Debugging ein, wenn dein Workflow von MCP-Servern abhängt.

• Plugin-Vertrauen ist eine Sicherheitsentscheidung. Drittanbieter-Plugins werden im Kernprozess des Harness ausgeführt, und bei der Installation gibt es keine Signatur- oder Quellprüfung. Installieren Sie nur Plugins, die Sie gelesen haben oder die aus einer Quelle stammen, der Sie vertrauen, und testen Sie sie in einer Wegwerf-Arbeitsumgebung, bevor Sie sie bei echter Arbeit einsetzen. Das danger-full-access-Sandbox-Profil kann jede sichtbare Datei ändern – beschränken Sie es auf Wegwerf-Checkouts.

• In der Vorschau sind bekannte Fehler vorhanden. Eine hängende Bash-Schleife ist ein dokumentierter Fehlermodus (unterbrechen und erneut versuchen), und das Verhalten bei lang laufenden Sitzungen ist noch nicht endgültig geklärt.

• Inoffizielle Desktop-Builds sind eine Falle.Mehrere Community-Wrapper verpacken dsh als per Klick installierbare Desktop-App mit gebündelter Node-Laufzeitumgebung. Sie funktionieren, sind aber nicht signiert und werden nicht von Deep​Seek gepflegt. Wenn du eine solche verwendest, vertraust du einem Dritten ein Werkzeug an, das deine Dateisystemberechtigungen innehat.

• Wenn Sie Produktionsstabilität benötigen, warten Sie auf ein Nicht-RC-Release. Das Harness ist mächtig, aber noch unausgereift. Für einen Produktions-Agenten-Stack ist ein ausgereiftes, kampferprobtes Harness – oder die Anthro​pic-kompatible Endpoint-Route – die vertretbare Wahl, bis dsh einen stabilen Tag erreicht.

Fazit

Die Installation des Deep​Seek Harness ist auf jedem Rechner mit Node 22.19+ wirklich mit einem einzigen Befehl erledigt: npx @deepseek-ai/dsh web, fügen Sie einen Modellschlüssel und einen Workspace hinzu, senden Sie eine Testaufgabe. Wählen Sie den Quell-Build nur, wenn Sie die Änderung oder die Verfolgung von main möchten; verwenden Sie Headless für Skripte; fügen Sie den Plugin-Markt früh hinzu; und behandeln Sie MCP als work-in-progress. Der ehrliche Hinweis ist derselbe, den das Projekt in seinem eigenen README ausgibt: Dies ist eine Vorschauversion 0.1.0-rc, und sie wird auf dem Weg zur stabilen Version Dinge kaputt machen. Das ist der richtige Kompromiss, wenn Sie sehen möchten, wohin Deep​Seek die Agent-Schicht führt — und die Modelle, die es ausführt, DeepSeek V4 Flash und DeepSeek V4 Pro, sind heute zum Listenpreis über OrcaRouter erhältlich, bereit, das Harness nach der Installation anzutreiben.