Come usare DeepSeek DSH: una guida pratica all'Agent Harness open-source di DeepSeek

DSH — Deep​Seek Harness — is the agent runtime Deep​Seek open-sourced on August 13, 2026, and it is not a model. It is the harness that sits between a model and your terminal, giving a language model file editing, a shell, retrieval, planning and tool calls, then recording every step so you can replay what it did. The how-to answer in one breath: install Node.js, run npx @deepseek-ai/dsh web, open http://127.0.0.1:3080, add an API key, pick a preset, and start a session. Below is the version of that answer you can actually work from — the four presets, driving it as a coding agent, reading a Trajectory, slotting in MCP, and the preview-version caveats the launch coverage skipped. The two models you will most likely plug into it — DeepSeek V4 Flash and DeepSeek V4 Pro — are named throughout.

This is a usage guide, not a launch recap. We already covered the leak trail and the release date in separate pieces; the subject here is the question a searcher actually has — how to use the thing once it is installed. The sourcing is labelled as it goes: Deep​Seek's own repository and documentation for what DSH claims, and dated Chinese tech press (GeekPark, The Paper) plus community repositories for what people report after running it.

Cos'è DSH (e cosa non è)

Deep​Seek's internal formula is Model + Harness = Agent, and DSH is the harness half. The model reasons; the harness decides when to hand it a tool, reads files, runs shell commands, feeds error output back into the loop, and judges when a task is finished. DSH was open-sourced on August 13, 2026 at about 8:30 pm Beijing time under the MIT license, written in TypeScript, and shipped as a v0.1 developer preview. The star history is the part everyone quotes: roughly 7,300 stars at 9:05 pm, 15,500 by 9:51 pm, past 10,000 within about two hours of the announcement, 50,000 inside twelve hours, and 100,000 in about 42 hours — the fastest growth GitHub has recorded, per GeekPark and The Paper's same-day reporting. The repository sits at roughly 126,000 stars as of today.

Lo slogan dell'architettura è "tutto è un plugin", costruito sul framework Cordis: adattatori di modelli, strumenti, Skills, il log delle sessioni, la policy di approvazione, persino il loop dell'agente stesso sono plugin montati in un contesto condiviso. Un'installazione predefinita include più di un centinaio di plugin, e la fase di test interno ha prodotto circa trecento plugin della community prima del rilascio pubblico, secondo GeekPark. Ecco perché viene chiamato runtime per agenti piuttosto che app: assembli il comportamento che desideri da parti intercambiabili.

The thing DSH is not is a model. There is no "DSH model" to benchmark, and nobody hosts DSH for you to call — it runs locally, on your machine, and it charges you only for the model tokens it consumes. The model is plugged in separately, and Deep​Seek ships adapters for 20+ providers and protocols, including Deep​Seek's own API, Open​AI-compatible endpoints and Anthro​pic's. In practice the pairing everyone is running is DSH plus DeepSeek V4 Flash for cheap everyday coding, or DeepSeek V4 Pro when the task is hard enough to justify a bigger brain — more on that below.

Prima di iniziare: ciò di cui hai effettivamente bisogno

I prerequisiti sono più leggeri di quanto la copertura suggerisca. Devi avere Node.js — il pacchetto dichiara ^22.19.0 o >=24.0.0, quindi l'attuale LTS e qualsiasi versione successiva funzionano — e una chiave API per qualunque modello intendi collegare. DSH stesso è gratuito e open source; l'unico costo sono i token del modello. Ti serve anche una directory che sei disposto a lasciare che l'agente tocchi: il meccanismo dei workspace di DSH è il confine di sicurezza e limita l'agente alle directory che aggiungi esplicitamente.

Al primo avvio, DSH crea una directory home — $DSH_HOME, che per impostazione predefinita è ~/.dsh — contenente profili, sessioni, storage e un file settings.yaml. Le chiavi API sono salvate in un file .credentials.yaml presente lì; l'interfaccia Web mostra solo un descrittore mascherato, mai la chiave stessa. Quel file merita un backup, perché reinserire le chiavi a mano è il problema di configurazione più comune segnalato dalla community.

Installa e avvia: quattro modi per accedere.

Il percorso zero-install è un unico comando. Da un terminale con Node.js installato:

• npx @deepseek-ai/dsh web — scarica il pacchetto e avvia l'interfaccia Web su http://127.0.0.1:3080. È la via più rapida ed è quella che la documentazione presenta per prima.

• npm install -g @deepseek-ai/dsh, quindi dsh web — un'installazione globale se pensi di usarlo ripetutamente.

• Dal sorgente: git clone https://github.com/deepseek-ai/deepseek-harness, poi pnpm install, pnpm run build, pnpm dsh web — il percorso giusto se vuoi leggere o modificare il codice, e quello che la documentazione sullo sviluppo di plugin dà per scontato.

• Python SDK: pip install deepseek-harness-sdk — per script CI e automazione batch, con esempi nella directory examples del repository.

Esiste anche una CLI headless per attività monouso negli script: dsh --profile headless "fix the failing test in this repo" esegue l'agente una volta, stampa la risposta finale ed esce con codice 0. Il launcher dsh analizza solo i propri flag — --profile, --patch e simili — e passa tutto ciò che viene dopo al profilo avviato, il che è una comune fonte di confusione al primo utilizzo.

L'interfaccia web si lega a 127.0.0.1 per impostazione predefinita, quindi nulla è esposto alla tua rete — una scelta intenzionale, da mantenere finché non hai un motivo per cambiarla. Sessioni, log e credenziali restano tutti sulla tua macchina; DSH stesso non ha alcun componente cloud.

Prima esecuzione: chiave, area di lavoro, sessione

Con l'interfaccia avviata, il ciclo del primo avvio si compone di tre passaggi. In Impostazioni, aggiungi la tua chiave API nella sezione Modelli e seleziona il provider. Quindi aggiungi un'area di lavoro — la directory del progetto in cui vuoi che l'agente operi. Infine, crea una sessione, scegli un preset di runtime e invia un primo piccolo compito, ad esempio "analizza la struttura di questa directory e scrivi un README". Iniziare in piccolo è importante: è il modo più rapido per confermare che la chiave, i confini dell'area di lavoro e la sandbox funzionino correttamente prima di affidare all'agente un vero lavoro.

DSH pone domande di chiarimento di propria iniziativa quando un'istruzione è ambigua, anche con la modalità di pianificazione disattivata, presentando opzioni suggerite piuttosto che fare supposizioni. La community segnala questo come uno dei comportamenti predefiniti meno attesi e più utili per un utente al primo giorno.

I quattro preset — e quale scegliere

I preset non sono lo stesso modello in stati d'animo diversi. Ognuno è un diverso catalogo di strumenti più un diverso prompt di sistema, e cambiare preset modifica ciò che l'agente può vedere e fare, non quale modello risponde. I quattro preset inclusi sono Standard, PTC, Minimal e Creation.

• Standard — the full coding-agent toolbox: file editing, a persistent shell, file and web retrieval, Skills, planning mode, goal tracking, sub-agents and workflows. This is the Claude Code / Open​AI Codex-shaped default, and it is where you should start.

• PTC (modalità codice) — "Programmatic Tool Calling." Confeziona il catalogo degli strumenti in un SDK TypeScript e consente al modello di scrivere un programma TypeScript che effettua molte chiamate agli strumenti in una singola invocazione di run_code, mantenendo i dati intermedi in un worker thread e restituendo solo un riepilogo al contesto del modello. Secondo i report della community, il risparmio di token è di circa 20x nelle attività multi-step, al costo di rendere il primo output del modello un programma leggibile e verificabile.

• Minimal — exactly two tools, a persistent bash shell and str_replace_editor, with a bare persona prompt. It exists for benchmarking model ability with minimal harness scaffolding; Deep​Seek used it for the official DeepSeek V4 Pro 0813 agent evaluations. Use it when you are testing a model, not when you are trying to get work done.

• Creation — Standard più ispezione del runtime e sperimentazione dei plugin: uno strumento dsh-tool-cordis che legge il runtime live (plugin, servizi ed eventi caricati) e monta o smonta plugin in memoria, pensato per chi crea preset e plugin. Consideralo dotato di potenza a livello di shell — può modificare l'harness mentre è in esecuzione.

La versione decisa: inizia con Standard, passa a PTC per i task ripetitivi multi-step in cui la riduzione dei round-trip ripaga, e lascia stare Minimal e Creation finché non fai benchmark o costruisci plugin. Un'avvertenza dalla community da tenere a mente: lo schema degli strumenti del preset Minimal è misurabilmente più efficace nell'ancorare DeepSeek V4 Pro a una prima risposta laconica del tipo "ci serve…" rispetto al catalogo più ampio di Standard, ed è per questo che preset sperimentali come dsh-anchored-standard espongono una prima richiesta allineata a Minimal e poi sbloccano Standard. È un segno di quanto il catalogo degli strumenti stesso plasmi il comportamento — vale la pena saperlo se un task continua a tornare dall'agente con il tono sbagliato.

Usandolo come agente di codifica: un flusso di lavoro concreto

Ecco la forma di una sessione DSH reale sul preset Standard, secondo quanto riportato dai professionisti:

Punta DSH su uno spazio di lavoro che sia un checkout git e affidagli un compito formulato come un risultato: "aggiungi la paginazione all'endpoint dell'elenco e mantieni i parametri di query esistenti."

• Lascia che pianifichi (o no — l'agente pianifica comunque), poi osservalo leggere i file pertinenti, formulare un piano e dichiarare cosa cambierà prima di cambiare qualsiasi cosa.

L'agente modifica i file, esegue la suite di test nella sua shell persistente, legge i fallimenti e itera. Questo ciclo — modificare, eseguire, leggere l'errore, modificare di nuovo — è la competenza centrale dell'harness, e la shell persistente è ciò che lo rende veloce: lo stato sopravvive tra le chiamate agli strumenti, quindi non deve riavviare il suo contesto a ogni comando.

• Per tutto ciò che necessita di contesto esterno, utilizza il recupero da file e web, e può affidare un ampio lavoro autonomo a un sub-agente, così che il contesto del loop principale rimanga ridotto.

• Le Skills integrate coprono il meta-lavoro: dsh-code-review esamina una pull request, dsh-find-simplifications cerca codice semplificabile, dsh-doc-standards verifica la documentazione rispetto alle regole interne. Le Skills si inseriscono come plugin e la community ne ha create centinaia di altre.

Le azioni ad alto privilegio — scritture al di fuori dell'area di lavoro o comandi con accesso completo — attivano una richiesta di approvazione nell'interfaccia web prima di essere eseguite. Questa sandbox, con i suoi livelli di sola lettura / scrivibile nell'area di lavoro / accesso completo, è la principale barriera tra un agente confuso e l'intera macchina, quindi leggi la richiesta prima di fare clic su di essa.

Quando un'attività deve essere eseguita attraverso diversi passaggi con decisioni intermedie, i workflow li concatenano e trasportano lo stato da un passaggio al successivo. La combinazione — pianificazione, shell persistente, retrieval, Skills, sub-agenti, workflow — è l'intera proposta del preset Standard, ed è la stessa superficie dei coding agent a pagamento con cui stai facendo il confronto, eseguita su qualunque modello tu abbia collegato.

Riproduzione della traiettoria: vedi esattamente cosa ha fatto l'agente

La funzionalità a cui i revisori tornano sempre è Trajectory. DSH registra l'intera sessione come un registro eventi append-only — il prompt di sistema, la catena di pensiero del modello, ogni chiamata e risultato degli strumenti, i cicli di vita dei sotto-agenti e le iniezioni di contesto. La vista Trajectory della Web UI riproduce quel flusso passo dopo passo, così puoi vedere esattamente cosa ha visto l'agente in ogni momento, quale comando ha eseguito e cosa ha deciso il modello successivamente.

Questo log non è solo una traccia di audit. Poiché è la fonte di verità, il ripristino delle sessioni, il fork, il recupero e il replay derivano tutti da esso: puoi creare un fork di una sessione da qualsiasi punto, riprenderne una interrotta e — la parte che i team trovano più preziosa — attribuire il costo per ogni passaggio quando un'attività va per le lunghe. Quando un agente di coding fa silenziosamente la cosa sbagliata, la Trajectory è ciò che ti mostra dove è uscito dai binari, invece di lasciarti a indovinare dal diff finale. Nessun altro componente dello strumento ha così tanto potere di debugging.

Orchestrazione multi-agente e MCP

Due note di architettura sono importanti per chi si chiede {{1}}"come ci costruisco sopra"{{/1}}. In primo luogo, DSH è multi-agente a livello di harness, non solo tramite un unico lungo loop: i sotto-agenti operano nel proprio contesto con i propri strumenti, e l'agente principale li coordina; è così che impedisce a un'attività di grandi dimensioni di far esplodere la finestra di contesto primaria. In secondo luogo, MCP si colloca un livello più in basso: Model Context Protocol è lo standard aperto per connettere un'applicazione AI a dati e strumenti esterni, mentre DSH è il runtime che decide quando offrire uno strumento e se approvarne la chiamata. Un server MCP si monta in DSH come plugin, quindi le centinaia di server MCP della community si integrano senza casi speciali — lo stesso meccanismo che monta strumenti, Skills e preset. Non esiste una {{2}}"modalità MCP"{{/2}} separata da attivare: aggiungi il server e diventa un altro plugin del catalogo.

Da dove vengono i modelli (e quanto costa)

DSH is free, but it runs on tokens, and the bill is the model. The two engines most people will use are Deep​Seek's own: DeepSeek V4 Flash at about $0.15 per million input and $0.29 per million output tokens on OrcaRouter, with a 1M-token context and 384K max output — the cheap everyday driver — and DeepSeek V4 Pro at about $0.44/$0.88 for the hard tasks. Both are at provider list price on OrcaRouter, passed through at 0% markup, which means a Deep​Seek price change lands on our side the same day with no renegotiation. Independent reporting on DSH's actual consumption supports the cheap story: The Paper's day-one test ran multiple tasks through DSH for under ¥3 in total token spend.

Un'avvertenza onesta dalla stessa copertura: un confronto di terze parti effettuato il secondo giorno ha rilevato che lo stesso DeepSeek V4 Flash completava gli stessi compiti in un diverso harness open-source ("Pi") spendendo circa un terzo dei token di DSH. L'efficienza dei token è funzione della gestione di prompt e contesto dell'harness, non solo del modello, e una build di anteprima non è ancora visibilmente ottimale in questo. Se il costo è il fattore decisivo, esegui il benchmark del tuo compito reale in due harness prima di impegnarti.

Dove OrcaRouter si inserisce davvero qui è come layer del modello, non come harness. Non ospitiamo DSH — è un runtime locale, e nessuno dovrebbe venderti un DSH ospitato. Quello che ospitiamo sono i modelli che ci colleghi, dietro un'unica chiave con failover automatico tra i provider. Questo è importante in particolare perché DSH è un'anteprima per sviluppatori 0.1: puoi valutarlo su traffico reale mantenendo gli stessi modelli su un endpoint stabile, e il giorno in cui DSH introduce modifiche incompatibili, il tuo accesso ai modelli non cambia con esso. Prova l'harness; tieni i modelli su un router.

I limiti onesti di un'anteprima 0.1

Deep​Seek's own README says it plainly: DSH is in developer preview, iterating rapidly, and there will be compatibility-breaking changes. What that means in practice, from the community's first days with it:

• Gli aggiornamenti romperanno le cose. I file di configurazione, la compatibilità dei plugin e i formati dei preset sono già cambiati tra i candidati di rilascio; aspettati di dover ricontrollare la tua configurazione a ogni aggiornamento.

• La documentazione è incompleta. Alcune aree avanzate — sub-agents, workflow, monitoraggio degli obiettivi — sono scarsamente documentate e diversi contributori nella loro prima settimana riferiscono di leggere il codice sorgente o GitHub Discussions per sbloccarsi.

• È un prodotto per sviluppatori, non per consumatori. L'interfaccia utente presuppone che tu abbia familiarità con file, shell e chiavi API. Il titolo del riepilogo di GeekPark — "fa il lavoro, ma devi tenerlo d'occhio" — è accurato.

• Windows è un cittadino di seconda classe per ora. L'integrazione con la shell presuppone un ambiente in stile Unix in diversi punti; gli utenti Windows segnalano di aver bisogno di correzioni pwsh e di imbattersi in qualche strano bug di percorso.

• Non esiste un'app desktop. L'unica interfaccia è la Web UI del browser e la CLI, che va bene in un terminale e meno bene se si desidera un'app da tenere nel dock.

• L'efficienza dei token non è dimostrata su larga scala. Il confronto con Pi-harness sopra riportato è un singolo dato, ma è un avvertimento che la gestione predefinita di prompt e contesto non è ancora calibrata come quella di un prodotto maturo.

Quando DSH è la scelta sbagliata

Il rovescio della medaglia, in tutta onestà. {{1}}Non usare ancora DSH per pipeline di produzione{{/1}} — {{2}}la promessa di breaking change è un blocco netto per qualsiasi cosa che non possa tollerare che un aggiornamento dell'harness cambi silenziosamente il comportamento{{/2}}. {{3}}Non sceglierlo per un team che non si sente a proprio agio nel fare debugging del comportamento dell'agente da un terminale{{/3}}; {{4}}la Trajectory e il sistema di plugin sono potenti, ma presuppongono una competenza tecnica{{/4}}. {{5}}E se ciò di cui hai realmente bisogno è un'esperienza di coding-agent stabile e manutenuta, con qualcun altro responsabile della colla{{/5}}, {{6}}gli agenti a pagamento con cui DSH compete rimangono l'opzione a minor rischio{{/6}}. {{7}}La proposta di DSH è per chi vuole possedere l'harness{{/7}} — {{8}}per cambiare modelli, montare server MCP, scrivere un preset e vedere ogni passo compiuto dall'agente{{/8}}.

Il risultato finale

The practical answer to "how do I use Deep​Seek DSH" has not changed in the days since it shipped: install Node.js, run npx @deepseek-ai/dsh web, open port 3080, add an API key, pick Standard, and start with a small task. Learn the Trajectory view early, because it is your debugging instrument. Treat the presets as different tool catalogs, not different models, and treat the whole project as a preview: capable enough to be worth learning, unstable enough that you should keep the models it runs on behind an endpoint you already trust. That is the layer OrcaRouter sits in — DeepSeek V4 Flash and DeepSeek V4 Pro at provider list price with zero markup, one key, automatic failover — so the harness can change under you without the models changing too. DSH is the most interesting open-source agent runtime of the year so far. It is just not finished yet, and the honest way to use something unfinished is to make sure the part that can break does not take your model access down with it.