Comment utiliser DeepSeek DSH : un guide pratique du harnais d'agent open-source de DeepSeek

DSH — Deep​Seek Harness — est le runtime d’agents que Deep​Seek a publié en open source le 13 août 2026, et ce n’est pas un modèle. C’est le harnais qui se place entre un modèle et votre terminal, offrant à un modèle de langage l’édition de fichiers, un shell, la recherche, la planification et des appels d’outils, puis enregistrant chaque étape pour que vous puissiez rejouer ce qu’il a fait. La réponse tient en une phrase : installez Node.js, lancez npx @deepseek-ai/dsh web, ouvrez http://127.0.0.1:3080, ajoutez une clé API, choisissez un preset, puis démarrez une session. Vous trouverez ci-dessous la version de cette réponse que vous pouvez réellement utiliser — les quatre presets, son utilisation comme agent de codage, la lecture d’une Trajectory, l’intégration de MCP, et les mises en garde liées à la version préliminaire que la couverture du lancement a passées sous silence. Les deux modèles que vous y brancherez très probablement — DeepSeek V4 Flash et DeepSeek V4 Pro — sont cités tout au long.

Ceci est un guide d’utilisation, pas un récapitulatif de lancement. Nous avons déjà couvert le parcours de la fuite et la date de sortie dans des articles séparés ; le sujet ici est la question que se pose réellement une personne qui fait une recherche — comment utiliser l’outil une fois installé. Les sources sont étiquetées au fur et à mesure : le dépôt et la documentation de Deep​Seek pour ce que DSH affirme, et la presse technologique chinoise datée (GeekPark, The Paper) ainsi que les dépôts communautaires pour ce que les utilisateurs rapportent après l’avoir exécuté.

Ce qu'est DSH (et ce qu'il n'est pas)

La formule interne de DeepSeek est Modèle + Harnais = Agent, et DSH est la moitié harnais. Le modèle raisonne ; le harnais décide quand lui passer un outil, lit des fichiers, exécute des commandes shell, réinjecte les sorties d'erreur dans la boucle et juge quand une tâche est terminée. DSH a été rendu open source le 13 août 2026 à environ 20h30, heure de Pékin, sous licence MIT, écrit en TypeScript, et publié en tant qu'aperçu développeur v0.1. L'historique des étoiles est la partie que tout le monde cite : environ 7 300 étoiles à 21h05, 15 500 à 21h51, dépassant les 10 000 environ deux heures après l'annonce, 50 000 en moins de douze heures, et 100 000 en environ 42 heures — la croissance la plus rapide jamais enregistrée par GitHub, selon les reportages du même jour de GeekPark et The Paper. Le dépôt compte actuellement environ 126 000 étoiles.

Le slogan de l'architecture est « tout est un plugin », et celle-ci est construite sur le framework Cordis : les adaptateurs de modèles, les outils, les Skills, le journal de session, la politique d'approbation, et même la boucle de l'agent elle-même sont des plugins montés dans un contexte partagé. Une installation par défaut comprend plus d'une centaine de plugins, et la phase de test interne a produit environ trois cents plugins communautaires avant la sortie publique, selon GeekPark. C'est pourquoi on parle de runtime d'agent plutôt que d'application : vous composez le comportement voulu à partir de pièces interchangeables.

Ce que DSH n'est pas, c'est un modèle. Il n'existe pas de « modèle DSH » à comparer, et personne n'héberge DSH pour que vous l'appeliez : il s'exécute localement, sur votre machine, et ne vous facture que les jetons de modèle qu'il consomme. Le modèle est branché séparément, et Deep​Seek fournit des adaptateurs pour plus de 20 fournisseurs et protocoles, notamment sa propre API, les points de terminaison compatibles Open​AI et ceux d'Anthro​pic. En pratique, la combinaison que tout le monde utilise est DSH avec DeepSeek V4 Flash pour du codage courant et peu coûteux, ou DeepSeek V4 Pro lorsque la tâche est suffisamment difficile pour justifier un plus gros cerveau — plus de détails ci-dessous.

Avant de commencer : ce dont vous avez réellement besoin

Les prérequis sont plus légers que ce que la couverture implique. Vous avez besoin de Node.js — le paquet déclare ^22.19.0 ou >=24.0.0, donc l'actuelle LTS et toute version plus récente fonctionnent — et d'une clé API pour le modèle que vous prévoyez d'intégrer. DSH lui-même est gratuit et open source ; la seule facture, ce sont les jetons de modèle. Vous avez également besoin d'un répertoire que vous acceptez de laisser l'agent toucher : le mécanisme d'espace de travail de DSH constitue la frontière de sécurité, et il restreint l'agent aux répertoires que vous ajoutez explicitement.

Au premier lancement, DSH crée un répertoire personnel — $DSH_HOME, qui par défaut est ~/.dsh — contenant vos profils, sessions, stockage et un settings.yaml. Les clés API se trouvent dans un fichier .credentials.yaml à cet emplacement ; l'interface Web n'affiche qu'un descripteur masqué, jamais la clé elle-même. Ce fichier mérite d'être sauvegardé, car la saisie manuelle des clés est la plainte de configuration la plus courante dans la communauté.

Installer et lancer : quatre façons de procéder.

La méthode zéro-installation tient en une seule commande. Depuis un terminal avec Node.js installé :

• npx @deepseek-ai/dsh web — télécharge le package et démarre l’interface Web à http://127.0.0.1:3080. C’est la voie la plus rapide et celle que la documentation met en avant.

• npm install -g @deepseek-ai/dsh, puis dsh web — une installation globale si vous comptez l'utiliser régulièrement.

• Depuis la source : git clone https://github.com/deepseek-ai/deepseek-harness, puis pnpm install, pnpm run build, pnpm dsh web — la bonne approche si vous voulez lire ou modifier le code, et celle que suppose la documentation de développement de plugins.

• Python SDK : pip install deepseek-harness-sdk — pour les scripts CI et l'automatisation par lots, avec des exemples dans le répertoire examples du dépôt.

Il existe également une CLI headless pour des tâches ponctuelles dans des scripts : `dsh --profile headless "fix the failing test in this repo"` exécute l'agent une fois, affiche la réponse finale et se termine avec le code 0. Le lanceur `dsh` n'analyse que ses propres options — `--profile`, `--patch` et autres — et transmet tout ce qui les suit au profil lancé, ce qui est une source de confusion courante lors de la première utilisation.

L'interface Web se lie à 127.0.0.1 par défaut, de sorte que rien n'est exposé à votre réseau — un choix délibéré, et un à conserver jusqu'à ce que vous ayez une raison de ne pas le faire. Les sessions, les journaux et les identifiants restent tous sur votre machine ; il n'y a aucun composant cloud dans DSH lui-même.

Premier lancement : clé, espace de travail, session

Une fois l'interface utilisateur lancée, le premier démarrage se fait en trois étapes. Dans les paramètres, ajoutez votre clé API sous Modèles et choisissez le fournisseur. Ensuite, ajoutez un espace de travail — le répertoire du projet dans lequel vous souhaitez que l'agent opère. Enfin, créez une session, choisissez un préréglage d'exécution, et envoyez une première petite tâche, par exemple : "analysez la structure de ce répertoire et écrivez un README pour celui-ci". Commencer petit est important : c'est le moyen le plus rapide de confirmer que la clé, la limite de l'espace de travail et le bac à sable se comportent tous correctement avant de confier une vraie tâche à l'agent.

DSH pose lui-même des questions de clarification lorsqu'une instruction est ambiguë, même avec le mode planification désactivé, en présentant des options suggérées plutôt que de deviner. La communauté considère cela comme l'un des comportements par défaut les plus inattendus et les plus utiles pour un utilisateur débutant.

Les quatre préréglages — et lequel choisir

Les préréglages ne sont pas le même modèle dans différentes humeurs. Chacun est un catalogue d'outils différent plus une invite système différente, et changer de préréglage modifie ce que l'agent peut voir et faire, et non quel modèle répond. Les quatre préréglages fournis sont Standard, PTC, Minimal et Creation.

• Standard — la boîte à outils complète de l'agent de codage : édition de fichiers, shell persistant, récupération de fichiers et du web, Skills, mode planification, suivi des objectifs, sous-agents et workflows. C'est la configuration par défaut façon Claude Code / Open​AI Codex, et c'est par là qu'il faut commencer.

• PTC (mode Code) — « Programmatic Tool Calling ». Il regroupe le catalogue d'outils dans un SDK TypeScript et permet au modèle d'écrire un programme TypeScript qui effectue de nombreux appels d'outils en une seule invocation run_code, en conservant les données intermédiaires dans un thread de travail et en ne renvoyant qu'un résumé au contexte du modèle. Les retours de la communauté font état d'économies de jetons d'environ 20x sur les tâches multi-étapes, au prix de faire de la première sortie du modèle un programme que l'on peut lire et auditer.

• Minimal — exactement deux outils, un shell bash persistant et str_replace_editor, avec un simple prompt de persona. Il sert à évaluer la capacité des modèles avec un échafaudage de harnais minimal ; Deep​Seek l'a utilisé pour les évaluations officielles de l'agent DeepSeek V4 Pro 0813. Utilisez-le lorsque vous testez un modèle, pas lorsque vous cherchez à faire avancer les choses.

• Création — Standard plus inspection du runtime et expérimentation de plugins : un outil dsh-tool-cordis qui lit le runtime en direct (plugins chargés, services, événements) et monte ou démonte des plugins en mémoire, destiné aux personnes qui construisent des presets et des plugins. Considérez-le comme ayant une puissance au niveau du shell — il peut modifier le harnais pendant qu’il est en cours d’exécution.

Version tranchée : commencez avec le preset Standard, puis passez à PTC pour les tâches répétitives en plusieurs étapes où la réduction des allers-retours est rentable, et laissez Minimal et Creation de côté jusqu'à ce que vous fassiez des benchmarks ou que vous développiez des plugins. Une mise en garde de la communauté vaut la peine d'être retenue : le schéma d'outils du preset Minimal est sensiblement plus efficace pour ancrer DeepSeek V4 Pro dans une première réponse laconique du type « nous avons besoin de… » que le catalogue Standard plus complet, c'est pourquoi des presets expérimentaux comme dsh-anchored-standard exposent une première requête alignée sur Minimal, puis débloquent Standard. C'est un signe de l'ampleur avec laquelle le catalogue d'outils lui-même façonne le comportement — un point à connaître si une tâche revient sans cesse de l'agent avec le mauvais ton.

Utilisation en tant qu'agent de codage : un workflow concret

Voici la forme d’une session DSH réelle sur le préréglage Standard, d’après ce que rapportent les praticiens :

• Pointez DSH vers un espace de travail qui est un checkout git, et confiez-lui une tâche formulée comme un résultat : « ajoutez la pagination au point de terminaison de liste et conservez les paramètres de requête existants. »

• Laissez-le planifier (ou non — l'agent planifie de toute façon), puis observez-le lire les fichiers pertinents, formuler un plan et indiquer ce qu'il va modifier avant de modifier quoi que ce soit.

• L'agent modifie les fichiers, exécute la suite de tests dans son shell persistant, lit les échecs et itère. Cette boucle — modifier, exécuter, lire l'erreur, modifier à nouveau — est la compétence centrale du harnais, et le shell persistant est ce qui la rend rapide : l'état est conservé entre les appels d'outils, de sorte qu'il ne redémarre pas son contexte à chaque commande.

• Pour tout ce qui nécessite un contexte externe, il utilise la récupération de fichiers et du web, et il peut confier un gros morceau de travail autonome à un sous-agent afin que le contexte de la boucle principale reste réduit.

• Les compétences intégrées couvrent le méta-travail : dsh-code-review examine une pull request, dsh-find-simplifications traque le code simplifiable, dsh-doc-standards vérifie la documentation par rapport aux règles internes. Les compétences s'installent comme des plugins, et la communauté en a construit des centaines d'autres.

Les actions à privilèges élevés — écritures hors de l’espace de travail, ou commandes avec accès complet — déclenchent une invite d’approbation dans l’interface Web avant de s’exécuter. Cette sandbox, avec ses niveaux lecture seule / écriture dans l’espace de travail / accès complet, est la principale barrière entre un agent confus et votre machine entière, alors lisez l’invite avant de cliquer dessus.

Lorsqu'une tâche doit s'exécuter en plusieurs étapes avec des décisions entre les deux, les workflows les enchaînent et transmettent l'état d'une étape à la suivante. La combinaison — planification, shell persistant, récupération, Skills, sous-agents, workflows — est tout l'argument du preset Standard, et c'est la même surface fonctionnelle que les agents de codage payants auxquels vous vous comparez, fonctionnant avec le modèle que vous avez branché.

Relecture de trajectoire : voyez exactement ce que l'agent a fait.

La fonctionnalité à laquelle les relecteurs reviennent sans cesse, c'est la Trajectory. DSH enregistre toute la session sous forme de journal d'événements en ajout seul — l'invite système, la chaîne de pensée du modèle, chaque appel d'outil et son résultat, les cycles de vie des sous-agents et les injections de contexte. La vue Trajectory de l'interface Web rejoue ce flux étape par étape, afin que vous puissiez voir précisément ce que l'agent a vu à chaque instant, quelle commande il a exécutée et ce que le modèle a décidé ensuite.

Ce journal n'est pas qu'une simple piste d'audit. Parce qu'il est la source de vérité, la récupération de session, le fork, la recherche et la relecture en dérivent tous : vous pouvez forker une session à partir de n'importe quel point, reprendre une session interrompue et — la partie que les équipes trouvent la plus précieuse — attribuer le coût par étape lorsqu'une tâche s'éternise. Lorsqu'un agent de codage fait silencieusement une erreur, la Trajectory est ce qui vous montre où il a déraillé, au lieu de vous laisser deviner à partir du diff final. Aucun autre composant de l'outil n'offre un tel pouvoir de débogage.

Orchestration multi-agents et MCP

Deux notes d’architecture comptent pour celles et ceux qui se demandent « comment construire là-dessus ». Premièrement, DSH est multi-agent au niveau du harnais, et pas seulement via une longue boucle : les sous-agents s’exécutent dans leur propre contexte avec leurs propres outils, et l’agent principal les coordonne, ce qui lui permet d’empêcher une tâche volumineuse de faire exploser la fenêtre de contexte principale. Deuxièmement, MCP s’insère une couche en dessous : le Model Context Protocol est le standard ouvert pour connecter une application d’IA à des données et outils externes, tandis que DSH est le runtime qui décide quand proposer un outil et s’il faut approuver son appel. Un serveur MCP se monte dans DSH comme plugin, de sorte que les centaines de serveurs MCP de la communauté s’intègrent sans cas particulier — le même mécanisme qui monte les outils, les Skills et les préréglages. Il n’y a pas de « mode MCP » séparé à activer ; vous ajoutez le serveur et il devient un plugin de plus dans le catalogue.

D'où viennent les modèles (et ce que ça coûte)

DSH est gratuit, mais il consomme des tokens, et c'est le modèle qui détermine la facture. Les deux moteurs que la plupart des gens utiliseront sont ceux de Deep​Seek : DeepSeek V4 Flash à environ 0,15 $ par million de tokens en entrée et 0,29 $ par million de tokens en sortie sur OrcaRouter, avec un contexte de 1M de tokens et une sortie maximale de 384K — le moteur économique du quotidien — et DeepSeek V4 Pro à environ 0,44 $/0,88 $ pour les tâches exigeantes. Les deux sont au prix catalogue du fournisseur sur OrcaRouter, répercuté sans marge, ce qui signifie qu'une variation de prix de Deep​Seek nous parvient le jour même, sans renégociation. Les reportages indépendants sur la consommation réelle de DSH confirment la thèse du faible coût : le test du premier jour de The Paper a exécuté plusieurs tâches via DSH pour moins de 3 ¥ de dépense totale en tokens.

Une réserve honnête issue de la même couverture : une comparaison tierce effectuée le deuxième jour a montré que le même DeepSeek V4 Flash réalisait les mêmes tâches dans un autre harnais open source (« Pi ») pour environ un tiers de la dépense de tokens de DSH. L’efficacité des tokens dépend de la gestion du prompt et du contexte par le harnais, pas uniquement du modèle, et une version d’aperçu n’est visiblement pas encore optimale à cet égard. Si le coût est votre critère décisif, évaluez votre tâche réelle dans deux harnais avant de vous engager.

Là où OrcaRouter trouve vraiment sa place, c'est comme couche de modèle, pas comme harnais. Nous n'hébergeons pas DSH — c'est un runtime local, et personne ne devrait vous vendre un DSH hébergé. Ce que nous hébergeons, ce sont les modèles que vous y branchez, derrière une seule clé avec bascule automatique entre fournisseurs. Cela compte particulièrement parce que DSH est un aperçu développeur 0.1 : vous pouvez l'évaluer face à du trafic réel tout en gardant les mêmes modèles sur un endpoint stable, et le jour où DSH change de manière incompatible, votre accès aux modèles ne change pas avec lui. Essayez le harnais ; gardez les modèles sur un routeur.

Les limites honnêtes d'un aperçu 0.1

Le propre README de Deep​Seek le dit clairement : DSH est en aperçu développeur, itère rapidement, et il y aura des changements cassant la compatibilité. Ce que cela signifie en pratique, d’après les premiers jours de la communauté avec lui :

• Les mises à jour casseront des choses. Les fichiers de configuration, la compatibilité des plugins et les formats de préréglages ont déjà changé entre les candidates à la sortie ; attendez-vous à revérifier votre configuration à chaque mise à jour.

• La documentation est incomplète. Certains domaines avancés — sous-agents, workflows, suivi des objectifs — sont peu documentés, et plusieurs contributeurs qui en sont à leur première semaine signalent qu'ils consultent le code source ou GitHub Discussions pour s'en sortir.

• C'est un produit pour développeurs, pas un produit grand public. L'interface suppose que vous êtes à l'aise avec les fichiers, les shells et les clés API. Le titre du résumé de GeekPark — « il fait le travail, mais il faut le surveiller » — est exact.

• Windows est pour l'instant un citoyen de seconde zone. L'intégration au shell suppose un environnement de type Unix à plusieurs endroits ; les utilisateurs de Windows signalent avoir besoin d'ajustements pwsh et rencontrer des bugs de chemin occasionnels.

• Il n'y a pas d'application de bureau. La seule interface est l'interface Web du navigateur et la CLI, ce qui est bien dans un terminal et moins bien si vous vouliez une application dockée.

• L'efficacité des tokens n'est pas prouvée à grande échelle. La comparaison avec Pi-harness ci-dessus est un point de données, mais c'est un avertissement que le traitement par défaut des invites et du contexte n'est pas encore réglé comme le serait celui d'un produit mature.

Quand DSH est le mauvais choix

Le revers honnête. N'utilisez pas encore DSH pour les pipelines de production — la promesse de rupture est un arrêt net pour tout ce qui ne peut pas tolérer qu'une mise à jour du harnais change silencieusement le comportement. Ne le choisissez pas pour une équipe qui n'est pas à l'aise pour déboguer le comportement d'un agent depuis un terminal ; la Trajectory et le système de plugins sont puissants, mais ils présupposent une culture technique. Et si ce dont vous avez réellement besoin est une expérience d'agent de codage stable et maintenue, avec quelqu'un d'autre responsable de la colle, les agents payants avec lesquels DSH est en concurrence restent l'option à moindre risque. L'argument de DSH s'adresse à la personne qui veut posséder le harnais — pour échanger les modèles, monter des serveurs MCP, écrire un preset et voir chaque étape franchie par l'agent.

En résumé

La réponse pratique à « comment utiliser Deep​Seek DSH » n'a pas changé depuis sa sortie : installez Node.js, lancez npx @deepseek-ai/dsh web, ouvrez le port 3080, ajoutez une clé API, choisissez Standard, et commencez par une petite tâche. Apprenez la vue Trajectory dès le début, car c'est votre instrument de débogage. Considérez les presets comme des catalogues d'outils différents, et non comme des modèles différents, et traitez l'ensemble du projet comme une préversion : assez performant pour mériter d'être appris, assez instable pour que vous gardiez les modèles qu'il exécute derrière un endpoint en qui vous avez déjà confiance. C'est la couche dans laquelle OrcaRouter s'insère — DeepSeek V4 Flash et DeepSeek V4 Pro au prix catalogue du fournisseur, sans aucune majoration, une seule clé, basculement automatique — afin que le harnais puisse changer sous vos pieds sans que les modèles ne changent eux aussi. DSH est le runtime d'agents open source le plus intéressant de l'année jusqu'ici. Il n'est tout simplement pas terminé, et la façon honnête d'utiliser quelque chose d'inachevé est de s'assurer que la partie qui peut casser n'emporte pas votre accès aux modèles dans sa chute.