Jak korzystać z DeepSeek DSH: praktyczny przewodnik po otwartoźródłowej platformie agentowej DeepSeek

DSH — Deep​Seek Harness — to środowisko uruchomieniowe dla agentów opublikowane przez Deep​Seek jako open source 13 sierpnia 2026 roku; nie jest to model. Jest to nakładka umieszczona między modelem a Twoim terminalem, która daje modelowi językowemu możliwość edycji plików, korzystania z powłoki, wyszukiwania, planowania i wywoływania narzędzi, a następnie rejestruje każdy krok, abyś mógł odtworzyć to, co zrobił. Odpowiedź na pytanie „jak to zrobić” w skrócie: zainstaluj Node.js, uruchom npx @deepseek-ai/dsh web, otwórz http://127.0.0.1:3080, dodaj klucz API, wybierz preset i rozpocznij sesję. Poniżej znajduje się wersja tej odpowiedzi, z której faktycznie możesz skorzystać — cztery presety, używanie go jako agenta kodującego, odczytywanie Trajectory, dołączanie MCP oraz zastrzeżenia dotyczące wersji preview, które pominęły relacje z premiery. Dwa modele, które najprawdopodobniej do niego podłączysz — DeepSeek V4 Flash i DeepSeek V4 Pro — są wymienione w całym tekście.

To jest przewodnik użytkowania, a nie podsumowanie premiery. Wyciek i datę premiery omówiliśmy już w osobnych artykułach; tematem tutaj jest pytanie, które faktycznie zadaje sobie osoba szukająca informacji — jak korzystać z tego narzędzia po jego zainstalowaniu. Źródła są oznaczone na bieżąco: własne repozytorium i dokumentacja DeepSeek dla tego, co twierdzi DSH, oraz datowane artykuły chińskiej prasy technologicznej (GeekPark, The Paper), a także repozytoria społecznościowe dla tego, co użytkownicy raportują po uruchomieniu.

Czym jest DSH (a czym nie jest)

Wewnętrzna formuła DeepSeeka to Model + Harness = Agent, a DSH to właśnie harness. Model rozumuje; harness decyduje, kiedy podać mu narzędzie, czyta pliki, uruchamia polecenia powłoki, przekazuje dane wyjściowe błędów z powrotem do pętli i ocenia, kiedy zadanie jest zakończone. DSH został udostępniony jako open source 13 sierpnia 2026 roku około godziny 20:30 czasu pekińskiego na licencji MIT, napisany w TypeScript i wydany jako wersja v0.1 w wersji zapoznawczej dla deweloperów. Historia gwiazdek to fragment, który wszyscy cytują: około 7300 gwiazdek o 21:05, 15 500 do 21:51, przekroczenie 10 000 w ciągu około dwóch godzin od ogłoszenia, 50 000 w ciągu dwunastu godzin i 100 000 w około 42 godziny — najszybszy wzrost, jaki odnotował GitHub, według doniesień GeekPark i The Paper z tego samego dnia. Repozytorium ma obecnie około 126 000 gwiazdek.

Hasło architektury brzmi „wszystko jest wtyczką” — opiera się ona na frameworku Cordis: adaptery modeli, narzędzia, Skills, dziennik sesji, polityka zatwierdzania, a nawet sama pętla agenta to wtyczki zamontowane we wspólnym kontekście. Domyślna instalacja zawiera ponad sto wtyczek, a faza testów wewnętrznych — przed publiczną premierą — wyprodukowała około trzystu wtyczek społecznościowych, według GeekPark. Dlatego nazywa się to środowiskiem uruchomieniowym agenta, a nie aplikacją: składasz pożądane zachowanie z wymiennych części.

To, czym DSH nie jest, to model. Nie istnieje żaden „model DSH", który można by benchmarkować, i nikt nie hostuje DSH, abyś mógł go wywoływać — działa lokalnie, na Twojej maszynie, i nalicza opłaty tylko za tokeny zużywane przez model. Model jest podłączany osobno, a Deep​Seek dostarcza adaptery dla 20+ dostawców i protokołów, w tym własne API Deep​Seek, endpointy zgodne z Open​AI oraz API Anthro​pic. W praktyce wszyscy używają zestawienia DSH z DeepSeek V4 Flash do tanich, codziennych zadań programistycznych albo DeepSeek V4 Pro, gdy zadanie jest na tyle trudne, by uzasadnić większy mózg — o tym poniżej.

Zanim zaczniesz: czego naprawdę potrzebujesz

Wymagania wstępne są lżejsze, niż sugeruje zakres. Potrzebujesz Node.js — pakiet deklaruje ^22.19.0 lub >=24.0.0, więc aktualne LTS i wszystko nowsze działa — oraz klucza API do modelu, który planujesz podłączyć. Sam DSH jest darmowy i open source; jedynym kosztem są tokeny modelu. Potrzebujesz też katalogu, do którego pozwolisz agentowi sięgnąć: mechanizm przestrzeni roboczej DSH stanowi granicę bezpieczeństwa i ogranicza agenta do katalogów, które jawnie dodasz.

Podczas pierwszego uruchomienia DSH tworzy katalog domowy — $DSH_HOME, który domyślnie wskazuje ~/.dsh — zawierający Twoje profile, sesje, przechowywane dane oraz plik settings.yaml. Klucze API znajdują się w pliku .credentials.yaml w tym katalogu; interfejs webowy pokazuje tylko zamaskowany deskryptor, nigdy samego klucza. Ten plik warto zabezpieczyć, ponieważ ręczne wpisywanie kluczy to najczęstsza skarga dotycząca konfiguracji w społeczności.

Zainstaluj i uruchom: cztery sposoby

Ścieżka zero-install to jedno polecenie. Z terminala z zainstalowanym Node.js:

• npx @deepseek-ai/dsh web — pobiera pakiet i uruchamia interfejs webowy pod adresem http://127.0.0.1:3080. To najszybsza metoda i ta, od której zaczyna się dokumentacja.

• npm install -g @deepseek-ai/dsh, następnie dsh web — globalna instalacja, jeśli będziesz go używać wielokrotnie.

• Ze źródła: git clone https://github.com/deepseek-ai/deepseek-harness, następnie pnpm install, pnpm run build, pnpm dsh web — właściwa ścieżka, jeśli chcesz czytać lub modyfikować kod, i ta, którą zakładają dokumenty dotyczące tworzenia wtyczek.

• Python SDK: pip install deepseek-harness-sdk — do skryptów CI i automatyzacji wsadowej, z przykładami w katalogu examples repozytorium.

Istnieje również bezgłowy interfejs CLI do jednorazowych zadań w skryptach: dsh --profile headless "napraw nieudany test w tym repozytorium" uruchamia agenta jednokrotnie, wypisuje końcową odpowiedź i kończy się kodem wyjścia 0. Polecenie dsh analizuje tylko własne flagi — --profile, --patch i tym podobne — a wszystko po nich przekazuje do uruchamianego profilu, co jest częstym powodem nieporozumień przy pierwszym użyciu.

Interfejs webowy domyślnie nasłuchuje na 127.0.0.1, więc nic nie jest wystawione na twoją sieć — to celowe ustawienie domyślne, które warto zachować, dopóki nie będziesz mieć powodu, by je zmienić. Sesje, logi i poświadczenia pozostają na twoim komputerze; sam DSH nie ma żadnego komponentu chmurowego.

Pierwsze uruchomienie: klucz, obszar roboczy, sesja

Przy uruchomionym interfejsie pierwsza pętla startowa składa się z trzech kroków. W ustawieniach dodaj swój klucz API w sekcji Modele i wybierz dostawcę. Następnie dodaj przestrzeń roboczą — katalog projektu, w którym agent ma działać. Na koniec utwórz sesję, wybierz preset środowiska uruchomieniowego i wyślij pierwsze małe zadanie, np. „przeanalizuj strukturę tego katalogu i napisz do niego plik README”. Zaczynanie od małych rzeczy ma znaczenie: to najszybszy sposób, aby potwierdzić, że klucz, granica przestrzeni roboczej i sandbox zachowują się prawidłowo, zanim powierzysz agentowi prawdziwe zadanie.

DSH sam zadaje pytania wyjaśniające, gdy instrukcja jest niejednoznaczna, nawet przy wyłączonym trybie planowania, przedstawiając sugerowane opcje zamiast zgadywać. Społeczność zgłasza to jako jedno z najmniej oczekiwanych i najbardziej przydatnych domyślnych zachowań dla użytkownika w pierwszym dniu.

Cztery presety — i który wybrać

Ustawienia wstępne to nie ten sam model w różnych nastrojach. Każde z nich to inny katalog narzędzi plus inny prompt systemowy, a przełączanie ustawień wstępnych zmienia to, co agent może widzieć i robić, a nie to, który model odpowiada. Cztery dołączone ustawienia wstępne to Standard, PTC, Minimal i 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 (Code mode) — „Programmatic Tool Calling”. Pakuje katalog narzędzi w zestaw SDK języka TypeScript i pozwala modelowi napisać program w TypeScript, który w jednym wywołaniu run_code wykonuje wiele wywołań narzędzi, przechowując dane pośrednie w wątku roboczym i zwracając do kontekstu modelu tylko podsumowanie. Społeczność donosi o około 20-krotnej oszczędności tokenów w zadaniach wieloetapowych, kosztem tego, że pierwszy wynik modelu to program, który można przeczytać i zweryfikować.

• Minimalny — dokładnie dwa narzędzia, trwała powłoka bash i str_replace_editor, z minimalistycznym promptem persony. Istnieje do testów porównawczych zdolności modeli z minimalnym szkieletem testowym; Deep​Seek użył go do oficjalnych ewaluacji agentów DeepSeek V4 Pro 0813. Używaj go, gdy testujesz model, a nie gdy próbujesz wykonać pracę.

• Tworzenie — Standard plus inspekcja środowiska wykonawczego i eksperymentowanie z wtyczkami: narzędzie dsh-tool-cordis, które odczytuje działające środowisko (załadowane wtyczki, usługi, zdarzenia) oraz montuje i demontuje wtyczki w pamięci, przeznaczone dla osób budujących presety i wtyczki. Traktuj je jako narzędzie o mocy poziomu powłoki — może zmieniać platformę w trakcie jej działania.

Wersja z własnym zdaniem: zacznij od Standard, przejdź do PTC w przypadku powtarzalnych, wieloetapowych zadań, gdzie redukcja liczby rund się opłaca, a Minimal i Creation zostaw w spokoju, dopóki nie benchmarkujesz lub nie budujesz wtyczek. Jedna uwaga społeczności, którą warto zapamiętać: schemat narzędzi presetu Minimal jest wymiernie lepszy w kotwiczeniu DeepSeek V4 Pro do zwięzłej pierwszej odpowiedzi „potrzebujemy…” niż pełniejszy katalog Standard, dlatego eksperymentalne presetty, takie jak dsh-anchored-standard, wystawiają pierwsze żądanie zgodne z Minimal, a następnie odblokowują Standard. To znak, jak bardzo sam katalog narzędzi kształtuje zachowanie — warto o tym wiedzieć, jeśli zadanie wciąż wraca od agenta w niewłaściwym tonie.

Używanie go jako agenta programistycznego: konkretny przepływ pracy

Oto jak wygląda prawdziwa sesja DSH na presetcie Standard, według relacji praktyków:

Wskaż DSH obszar roboczy, który jest kopią roboczą git, i daj mu zadanie sformułowane jako oczekiwany rezultat: „dodaj paginację do endpointu listy i zachowaj istniejące parametry zapytania”.

• Pozwól mu zaplanować (albo i nie — agent i tak planuje), a następnie obserwuj, jak czyta odpowiednie pliki, formułuje plan i określa, co zmieni, zanim cokolwiek zmieni.

• Agent edytuje pliki, uruchamia zestaw testów w swojej trwałej powłoce, czyta błędy i iteruje. Ta pętla — edytuj, uruchom, przeczytaj błąd, edytuj ponownie — jest podstawową kompetencją harnessu, a trwała powłoka jest tym, co czyni ją szybką: stan przetrwa między wywołaniami narzędzi, więc nie trzeba ponownie uruchamiać kontekstu przy każdej komendzie.

• W przypadku wszystkiego, co wymaga zewnętrznego kontekstu, korzysta z wyszukiwania w plikach i w internecie, a duży, samodzielny fragment pracy może przekazać pod-agentowi, aby kontekst głównej pętli pozostał niewielki.

• Wbudowane umiejętności obejmują meta-pracę: dsh-code-review przegląda pull request, dsh-find-simplifications szuka kodu, który można uprościć, a dsh-doc-standards sprawdza dokumentację pod kątem zasad obowiązujących w projekcie. Umiejętności są wpinane jako wtyczki, a społeczność zbudowała setki kolejnych.

Działania o wysokich uprawnieniach — zapisy poza obszarem roboczym lub polecenia z pełnym dostępem — wywołują przed uruchomieniem monit o zatwierdzenie w interfejsie webowym. Ten sandbox, z jego poziomami: tylko do odczytu / zapisywalny w obszarze roboczym / pełny dostęp, jest główną barierą między zdezorientowanym agentem a całym Twoim komputerem, więc przeczytaj monit, zanim go klikniesz.

Gdy zadanie musi być wykonane w kilku krokach z decyzjami pomiędzy nimi, workflows łączą je w łańcuch i przenoszą stan z jednego kroku do następnego. Połączenie — planowanie, trwała powłoka, wyszukiwanie, Skills, sub-agenci, workflows — to cała propozycja wartości presetu Standard i jest to ten sam obszar działania, co płatne agenty kodowania, z którymi porównujesz, działające na dowolnym modelu, który podłączysz.

Odtwarzanie trajektorii: zobacz dokładnie, co zrobił agent.

Funkcją, do której recenzenci wciąż wracają, jest Trajektoria. DSH rejestruje całą sesję jako dziennik zdarzeń z możliwością jedynie dopisywania — prompt systemowy, łańcuch myślowy modelu, każde wywołanie narzędzia i jego wynik, cykle życia sub-agentów oraz wstrzyknięcia kontekstu. Widok Trajektorii w interfejsie WWW odtwarza ten strumień krok po kroku, dzięki czemu można dokładnie zobaczyć, co agent widział w każdym momencie, które polecenie wykonał i co model postanowił zrobić dalej.

Ten log to nie tylko rejestr audytowy. Ponieważ jest źródłem prawdy, odzyskiwanie sesji, rozwidlanie, wyszukiwanie i odtwarzanie — wszystko to się z niego wywodzi: możesz rozwidlić sesję w dowolnym punkcie, wznowić przerwaną, a także — co dla zespołów jest najcenniejsze — przypisać koszt do każdego kroku, gdy zadanie się przeciąga. Gdy agent kodujący po cichu zrobi coś źle, to właśnie Trajectory pokazuje ci, gdzie zboczył z właściwej ścieżki, zamiast zostawiać cię z domysłami na podstawie końcowego diffa. Żaden inny element tego narzędzia nie daje takiej możliwości debugowania.

Orkiestracja wieloagentowa i MCP

{{1}}Dwie uwagi architektoniczne są istotne dla osób pytających „jak na tym budować".{{/1}} {{2}}Po pierwsze, DSH jest multi-agentowe na poziomie harnessu, a nie tylko poprzez jedną długą pętlę: pod-agenci działają we własnym kontekście i z własnymi narzędziami, a główny agent koordynuje ich pracę, dzięki czemu duże zadanie nie rozsadza głównego okna kontekstu.{{/2}} {{3}}Po drugie, MCP znajduje się jedną warstwę niżej: Model Context Protocol to otwarty standard łączenia aplikacji AI z zewnętrznymi danymi i narzędziami, podczas gdy DSH to środowisko uruchomieniowe, które decyduje, kiedy zaproponować narzędzie i czy zatwierdzić jego wywołanie.{{/3}} {{4}}Serwer MCP montuje się w DSH jako wtyczka, więc setki serwerów MCP tworzonych przez społeczność wpinają się bez specjalnego traktowania — to ten sam mechanizm, który montuje narzędzia, Skills i presety.{{/4}} {{5}}Nie ma osobnego „trybu MCP" do włączenia; dodajesz serwer i staje się on kolejną wtyczką w katalogu.{{/5}}

Skąd pochodzą modele (i ile to kosztuje)

DSH jest darmowy, ale działa na tokenach, a o wysokości rachunku decyduje model. Dwa silniki, z których większość użytkowników będzie korzystać, to własne modele Deep​Seek: DeepSeek V4 Flash w cenie około 0,15 USD za milion tokenów wejściowych i 0,29 USD za milion tokenów wyjściowych na OrcaRouter, z kontekstem 1 mln tokenów i maksymalnym wyjściem 384 tys. tokenów — tania opcja do codziennych zadań — oraz DeepSeek V4 Pro za około 0,44/0,88 USD do wymagających zadań. Oba są na OrcaRouter w cenie listowej dostawcy, przekazywanej dalej z 0% narzutu, co oznacza, że zmiana ceny Deep​Seek trafia do nas tego samego dnia bez ponownych negocjacji. Niezależne raporty o rzeczywistym zużyciu DSH potwierdzają tezę o niskich kosztach: test The Paper z pierwszego dnia wykonał wiele zadań przez DSH za łączny koszt tokenów poniżej 3 ¥.

Jedno uczciwe zastrzeżenie z tej samej relacji: drugiego dnia niezależne porównanie wykazało, że ten sam DeepSeek V4 Flash wykonuje te same zadania w innym harnessie open-source („Pi”) przy około jednej trzeciej zużycia tokenów DSH. Efektywność tokenowa jest funkcją obsługi promptu i kontekstu przez harness, a nie tylko samego modelu, a wersja preview wyraźnie nie jest w tym jeszcze optymalna. Jeśli koszt jest Twoim czynnikiem decydującym, przetestuj swoje rzeczywiste zadanie w dwóch harnessach, zanim podejmiesz decyzję.

Tam, gdzie OrcaRouter naprawdę się sprawdza, to jako warstwa modeli, a nie jako harness. Nie hostujemy DSH — to lokalne środowisko uruchomieniowe i nikt nie powinien sprzedawać ci hostowanego DSH. To, co hostujemy, to modele, które do niego podłączasz, za jednym kluczem z automatycznym przełączaniem awaryjnym między dostawcami. Ma to znaczenie zwłaszcza dlatego, że DSH to wersja deweloperska 0.1: możesz ją przetestować na realnym ruchu, trzymając te same modele na stabilnym endpointcie, a jeśli DSH zmieni się w sposób łamiący zgodność, twój dostęp do modeli nie zmieni się razem z nim. Wypróbuj harness; modele zostaw na routerze.

Uczciwe ograniczenia wersji zapoznawczej 0.1

README samego Deep​Seeka mówi to wprost: DSH jest w podglądzie deweloperskim, szybko iteruje i będą wprowadzane zmiany łamiące kompatybilność. Co to oznacza w praktyce, od pierwszych dni społeczności z nim:

• Aktualizacje będą psuć rzeczy. Pliki konfiguracyjne, zgodność wtyczek i formaty presetów już zmieniały się między wersjami release candidate; licz się z koniecznością ponownej weryfikacji swojej konfiguracji przy każdej aktualizacji.

• Dokumentacja jest niekompletna. Niektóre zaawansowane obszary — podagenty, przepływy pracy, śledzenie celów — są słabo udokumentowane, a kilku nowych współtwórców zgłasza, że czyta kod źródłowy lub dyskusje na GitHubie, aby wyjść z impasa.

• To produkt dla programistów, a nie konsumencki.Interfejs zakłada, że dobrze radzisz sobie z plikami, powłokami i kluczami API. Nagłówek podsumowania GeekPark — „wykonuje pracę, ale trzeba na niego uważać” — jest trafny.

• Windows jest na razie obywatelem drugiej kategorii. Integracja z powłoką w kilku miejscach zakłada środowisko w stylu Uniksa; użytkownicy Windowsa zgłaszają, że potrzebują poprawek w pwsh i natrafiają na sporadyczne błędy ścieżek.

• Nie ma aplikacji desktopowej. Jedynym interfejsem jest przeglądarkowy Web UI oraz CLI, co dobrze sprawdza się w terminalu, ale już gorzej, jeśli chodzi o aplikację zadokowaną.

• Wydajność tokenów nie jest udowodniona na dużą skalę. Powyższe porównanie Pi-harness to tylko jeden punkt danych, ale jest to ostrzeżenie, że domyślna obsługa promptu i kontekstu nie jest jeszcze dostrojona tak, jak w dojrzałym produkcie.

Kiedy DSH jest złym wyborem

Uczciwie: druga strona medalu. Nie używaj DSH jeszcze w potokach produkcyjnych — obietnica zmian przełamujących to twardy stop dla wszystkiego, co nie toleruje, aby aktualizacja harnessa po cichu zmieniała zachowanie. Nie wybieraj go dla zespołu, który nie czuje się komfortowo, debugując zachowanie agenta z terminala; Trajectory i system wtyczek są potężne, ale zakładają biegłość techniczną. A jeśli tak naprawdę potrzebujesz stabilnego, utrzymywanego doświadczenia z agentem kodującym, w którym ktoś inny odpowiada za spoiwo, płatni agenci, z którymi konkuruje DSH, pozostają opcją o niższym ryzyku. Propozycja DSH skierowana jest do osoby, która chce mieć pełną kontrolę nad harnessem — wymieniać modele, podłączać serwery MCP, pisać preset i widzieć każdy krok agenta.

Sedno sprawy

Praktyczna odpowiedź na pytanie „jak używać Deep​Seek DSH" nie zmieniła się od czasu premiery: zainstaluj Node.js, uruchom npx @deepseek-ai/dsh web, otwórz port 3080, dodaj klucz API, wybierz Standard i zacznij od małego zadania. Opanuj widok Trajectory wcześnie, bo to twój instrument do debugowania. Traktuj presety jak różne katalogi narzędzi, a nie różne modele, a cały projekt — jak wersję zapoznawczą: na tyle funkcjonalną, by warto było się jej uczyć, i na tyle niestabilną, by modele, na których działa, trzymać za punktem końcowym, któremu już ufasz. To właśnie w tej warstwie działa OrcaRouter — DeepSeek V4 Flash i DeepSeek V4 Pro w cenie katalogowej dostawcy, z zerową marżą, jednym kluczem i automatycznym przełączaniem awaryjnym — dzięki czemu platforma może się zmieniać pod tobą bez zmiany modeli. DSH to jak dotąd najciekawszy open-source'owy runtime dla agentów w tym roku. Po prostu nie jest jeszcze skończony, a uczciwy sposób korzystania z czegoś niedokończonego polega na tym, by część, która może się zepsuć, nie zabrała ci przy okazji dostępu do modeli.