Como Usar o DeepSeek DSH: Um Guia Prático para o Agent Harness de Código Aberto do DeepSeek

DSH — Deep​Seek Harness — é o runtime de agente que a Deep​Seek lançou como open source em 13 de agosto de 2026, e não é um modelo. É o harness que fica entre um modelo e o seu terminal, dando a um modelo de linguagem edição de arquivos, um shell, recuperação, planejamento e chamadas de ferramentas, e depois registrando cada passo para que você possa reproduzir o que ele fez. A resposta de como fazer em uma frase: instale o Node.js, execute npx @deepseek-ai/dsh web, abra http://127.0.0.1:3080, adicione uma chave de API, escolha um preset e inicie uma sessão. Abaixo está a versão dessa resposta com a qual você pode realmente trabalhar — os quatro presets, usando-o como agente de codificação, lendo uma Trajectory, encaixando MCP e as ressalvas da versão de pré-visualização que a cobertura do lançamento ignorou. Os dois modelos que você provavelmente vai conectar a ele — DeepSeek V4 Flash e DeepSeek V4 Pro — são mencionados ao longo do texto.

Este é um guia de uso, não um resumo de lançamento. Já cobrimos o rastro do vazamento e a data de lançamento em artigos separados; o assunto aqui é a pergunta que quem busca realmente tem — como usar a coisa depois de instalada. As fontes são rotuladas conforme o texto avança: o repositório e a documentação da própria DeepSeek para o que a DSH afirma, e a imprensa de tecnologia chinesa datada (GeekPark, The Paper), além de repositórios da comunidade, para o que as pessoas relatam após executá-la.

O que é DSH (e o que não é)

A fórmula interna da Deep​Seek é Modelo + Harness = Agente, e a DSH é a metade harness. O modelo raciocina; o harness decide quando entregar a ele uma ferramenta, lê arquivos, executa comandos de shell, realimenta o loop com a saída de erro e julga quando uma tarefa está concluída. A DSH foi lançada como código aberto em 13 de agosto de 2026, por volta das 20h30 no horário de Pequim, sob a licença MIT, escrita em TypeScript e distribuída como uma prévia para desenvolvedores v0.1. A história das estrelas é a parte que todos citam: aproximadamente 7.300 estrelas às 21h05, 15.500 às 21h51, passando de 10.000 em cerca de duas horas após o anúncio, 50.000 em doze horas e 100.000 em cerca de 42 horas — o crescimento mais rápido já registrado no GitHub, segundo a GeekPark e a The Paper na cobertura do mesmo dia. O repositório está com aproximadamente 126.000 estrelas até hoje.

O slogan da arquitetura é "tudo é um plugin", construído sobre o framework Cordis: adaptadores de modelo, ferramentas, Skills, o log de sessão, a política de aprovação, até mesmo o próprio loop do agente são plugins montados em um contexto compartilhado. Uma instalação padrão traz mais de cem plugins, e a fase de testes internos produziu cerca de trezentos plugins da comunidade antes do lançamento público, segundo o GeekPark. É por isso que é chamado de runtime de agente em vez de um aplicativo — você monta o comportamento que deseja a partir de peças intercambiáveis.

O que DSH não é é um modelo. Não existe um "modelo DSH" para avaliar, e ninguém hospeda o DSH para você chamar — ele roda localmente, na sua máquina, e cobra apenas pelos tokens do modelo que consome. O modelo é plugado separadamente, e a Deep​Seek fornece adaptadores para mais de 20 provedores e protocolos, incluindo a própria API da Deep​Seek, endpoints compatíveis com Open​AI e os da Anthro​pic. Na prática, a combinação que todo mundo usa é DSH mais o DeepSeek V4 Flash para programação barata do dia a dia, ou o DeepSeek V4 Pro quando a tarefa é difícil o suficiente para justificar um cérebro maior — mais sobre isso abaixo.

Antes de começar: o que você realmente precisa.

Os pré-requisitos são mais leves do que a cobertura sugere. Você precisa do Node.js — o pacote declara ^22.19.0 ou >=24.0.0, então o LTS atual e qualquer versão mais recente funcionam — e de uma chave de API para o modelo que você pretende conectar. O DSH em si é gratuito e de código aberto; a única cobrança é pelos tokens do modelo. Você também precisa de um diretório que esteja disposto a deixar o agente acessar: o mecanismo de workspace do DSH é a fronteira de segurança e restringe o agente aos diretórios que você adiciona explicitamente.

Na primeira execução, o DSH cria um diretório pessoal — $DSH_HOME, que por padrão é ~/.dsh — contendo seus perfis, sessões, armazenamento e um settings.yaml. As chaves de API ficam em um arquivo .credentials.yaml nesse diretório; a interface web mostra apenas um descritor mascarado, nunca a chave em si. Esse arquivo merece um backup, porque reinserir as chaves manualmente é a reclamação de configuração mais comum na comunidade.

Instalar e iniciar: quatro maneiras de entrar

O caminho de instalação zero é um único comando. A partir de um terminal com Node.js instalado:

• npx @deepseek-ai/dsh web — baixa o pacote e inicia a interface web em http://127.0.0.1:3080. Esta é a forma mais rápida e a que a documentação apresenta em primeiro lugar.

• npm install -g @deepseek-ai/dsh, depois dsh web — uma instalação global se você for usá-lo repetidamente.

• A partir do código-fonte: git clone https://github.com/deepseek-ai/deepseek-harness, depois pnpm install, pnpm run build, pnpm dsh web — o caminho certo se você quiser ler ou modificar o código, e o que a documentação de desenvolvimento de plugins pressupõe.

• Python SDK: pip install deepseek-harness-sdk — para scripts de CI e automação em lote, com exemplos no diretório de exemplos do repositório.

Existe também uma CLI headless para tarefas pontuais em scripts: dsh --profile headless "corrija o teste que está falhando neste repositório" executa o agente uma vez, imprime a resposta final e sai com código 0. O launcher dsh analisa apenas suas próprias flags — --profile, --patch e similares — e passa tudo o que vier depois delas para o perfil em execução, o que é uma confusão comum na primeira utilização.

A interface web vincula-se a 127.0.0.1 por padrão, portanto nada é exposto à sua rede — um padrão deliberado, e que deve ser mantido até que você tenha um motivo para mudá-lo. Sessões, registros e credenciais permanecem todos na sua máquina; não há componente de nuvem no próprio DSH.

Primeira execução: chave, espaço de trabalho, sessão

Com a interface aberta, o loop de primeira execução tem três etapas. Em Configurações, adicione sua chave de API em Modelos e escolha o provedor. Em seguida, adicione um workspace — o diretório do projeto em que você quer que o agente trabalhe. Por fim, crie uma sessão, escolha um preset de runtime e envie uma pequena primeira tarefa, como "analise a estrutura deste diretório e escreva um README para ele". Começar pequeno importa: é a maneira mais rápida de confirmar que a chave, o limite do workspace e o sandbox estão todos se comportando corretamente antes de você dar ao agente um trabalho real.

A DSH faz perguntas de esclarecimento por conta própria quando uma instrução é ambígua, mesmo com o modo de planejamento desativado, apresentando opções sugeridas em vez de adivinhar. A comunidade relata esse comportamento como um dos comportamentos padrão menos esperados e mais úteis para um usuário no primeiro dia.

As quatro predefinições — e qual escolher

Os presets não são o mesmo modelo em diferentes humores. Cada um é um catálogo de ferramentas diferente mais um prompt de sistema diferente, e alternar entre presets muda o que o agente pode ver e fazer, não qual modelo responde. Os quatro presets incluídos são Standard, PTC, Minimal e Creation.

• Standard — a caixa de ferramentas completa do agente de codificação: edição de arquivos, shell persistente, recuperação de arquivos e web, Skills, modo de planejamento, acompanhamento de metas, subagentes e fluxos de trabalho. Este é o padrão no formato Claude Code / Open​AI Codex, e é por onde você deve começar.

• PTC (modo de código) — "Programmatic Tool Calling." Ele empacota o catálogo de ferramentas em um SDK TypeScript e permite que o modelo escreva um programa TypeScript que faz muitas chamadas de ferramentas em uma única invocação run_code, mantendo os dados intermediários em uma thread de trabalho e retornando apenas um resumo para o contexto do modelo. Relatos da comunidade estimam a economia de tokens em cerca de 20x em tarefas de várias etapas, ao custo de tornar a primeira saída do modelo um programa que você pode ler e auditar.

• Mínimo — exatamente duas ferramentas, um shell bash persistente e o str_replace_editor, com um prompt de persona básico. Ele existe para avaliar a capacidade do modelo com o mínimo de estrutura de suporte; a Deep​Seek o usou para as avaliações oficiais de agentes do DeepSeek V4 Pro 0813. Use-o quando estiver testando um modelo, não quando estiver tentando realizar trabalho.

• Creation — Standard mais inspeção em tempo de execução e experimentação de plugins: uma ferramenta dsh-tool-cordis que lê o runtime em tempo real (plugins carregados, serviços, eventos) e monta ou desmonta plugins em memória, voltada para pessoas que criam presets e plugins. Trate-a como tendo poder de nível de shell — ela pode alterar o harness enquanto está em execução.

A versão opinativa: comece no Standard, progrida para o PTC nas tarefas repetitivas de múltiplas etapas em que a redução de idas e voltas compensa, e deixe o Minimal e o Creation de lado até estar a fazer benchmarking ou a criar plugins. Uma ressalva da comunidade que vale a pena reter: o esquema de ferramentas do preset Minimal é comprovadamente melhor em ancorar o DeepSeek V4 Pro numa primeira resposta concisa do tipo "precisamos de…" do que o catálogo Standard mais completo, razão pela qual os presets experimentais como o dsh-anchored-standard expõem um primeiro pedido alinhado com o Minimal e depois desbloqueiam o Standard. Isso é um sinal do quanto o próprio catálogo de ferramentas molda o comportamento — algo que vale a pena saber se uma tarefa continua a voltar do agente com o tom errado.

Usando-o como agente de codificação: um fluxo de trabalho concreto

Aqui está o formato de uma sessão real de DSH na predefinição Padrão, de acordo com o que os profissionais relatam:

• Aponte o DSH para um workspace que seja um checkout git e dê a ele uma tarefa formulada como um resultado: "adicionar paginação ao endpoint de lista e manter os parâmetros de consulta existentes."

• Deixe-o planejar (ou não — o agente planeja de qualquer forma), depois observe-o ler os arquivos relevantes, elaborar um plano e declarar o que mudará antes de alterar qualquer coisa.

• O agente edita arquivos, executa a suíte de testes em seu shell persistente, lê as falhas e itera. Esse ciclo — editar, executar, ler o erro, editar novamente — é a competência central do harness, e o shell persistente é o que o torna rápido: o estado sobrevive entre chamadas de ferramenta, então ele não está reiniciando seu contexto a cada comando.

• Para qualquer coisa que precise de contexto externo, ele usa recuperação de arquivos e da web, e pode entregar um grande trabalho autocontido a um subagente para que o contexto do loop principal permaneça pequeno.

• As Skills integradas cobrem o meta-trabalho: a dsh-code-review revisa um pull request, a dsh-find-simplifications procura código que possa ser simplificado e a dsh-doc-standards verifica a documentação conforme as regras internas. As Skills se encaixam como plugins, e a comunidade já construiu centenas de outras.

Ações de alto privilégio — gravações fora do workspace ou comandos com acesso total — acionam um prompt de aprovação na interface web antes de serem executadas. Essa sandbox, com seus níveis de somente leitura / gravável no workspace / acesso total, é a principal barreira entre um agente confuso e toda a sua máquina; então, leia o prompt antes de clicar nele.

Quando uma tarefa precisa ser executada em várias etapas com decisões no meio, os workflows as encadeiam e carregam o estado de uma etapa para a próxima. A combinação — planejamento, shell persistente, recuperação, Skills, subagentes, workflows — é toda a proposta do preset Standard, e é a mesma superfície de recursos que os agentes de codificação pagos com os quais você está comparando, rodando contra qualquer modelo que você tenha conectado.

Reprodução de trajetória: veja exatamente o que o agente fez

A funcionalidade que os revisores sempre mencionam é a Trajectory. A DSH registra toda a sessão como um log de eventos somente de acréscimo — o prompt do sistema, a cadeia de pensamento do modelo, cada chamada de ferramenta e seu resultado, ciclos de vida de subagentes e injeções de contexto. A visualização de Trajectory da interface web reproduz esse fluxo passo a passo, para que você possa ver com precisão o que o agente viu em cada momento, qual comando ele executou e o que o modelo decidiu em seguida.

Esse log não é apenas uma trilha de auditoria. Como ele é a fonte da verdade, recuperação de sessão, bifurcação, busca e reprodução derivam todas dele: você pode bifurcar uma sessão a partir de qualquer ponto, retomar uma que foi interrompida e — a parte que as equipes consideram mais valiosa — atribuir custo por etapa quando uma tarefa é longa. Quando um agente de codificação faz silenciosamente algo errado, a Trajectory é o que mostra onde ele saiu dos trilhos, em vez de você ter de adivinhar pelo diff final. Nenhum outro componente da ferramenta tem tanto poder de depuração.

Orquestração multiagente e MCP

Duas observações de arquitetura são importantes para o público de "como construir em cima disso". Primeiro, o DSH é multiagente no nível do harness, não apenas por meio de um longo loop: subagentes rodam em seu próprio contexto, com suas próprias ferramentas, e o agente principal os coordena — é assim que ele impede que uma tarefa grande estoure a janela de contexto primária. Segundo, o MCP se encaixa uma camada abaixo: o Model Context Protocol é o padrão aberto para conectar um aplicativo de IA a dados e ferramentas externas, enquanto o DSH é o runtime que decide quando oferecer uma ferramenta e se aprova sua chamada. Um servidor MCP é montado no DSH como um plugin, então as centenas de servidores MCP da comunidade se encaixam sem tratamento especial — o mesmo mecanismo que monta ferramentas, Skills e presets. Não há um "modo MCP" separado para ativar; você adiciona o servidor e ele se torna outro plugin no catálogo.

De onde vêm os modelos (e quanto custa)

DSH é gratuito, mas funciona com tokens, e a conta é o modelo. Os dois motores que a maioria das pessoas usará são os da própria Deep​Seek: DeepSeek V4 Flash a cerca de US$ 0,15 por milhão de tokens de entrada e US$ 0,29 por milhão de tokens de saída no OrcaRouter, com contexto de 1 milhão de tokens e saída máxima de 384 mil — o motor barato do dia a dia — e DeepSeek V4 Pro a cerca de US$ 0,44/US$ 0,88 para as tarefas difíceis. Ambos estão ao preço de tabela do provedor no OrcaRouter, repassados com margem de 0%, o que significa que uma mudança de preço da Deep​Seek chega ao nosso lado no mesmo dia, sem renegociação. Reportagens independentes sobre o consumo real do DSH confirmam a história do baixo custo: o teste de primeiro dia do The Paper executou várias tarefas pelo DSH por menos de ¥3 em gastos totais com tokens.

Uma ressalva honesta da mesma cobertura: uma comparação de terceiros no segundo dia descobriu que o mesmo DeepSeek V4 Flash realiza as mesmas tarefas em um harness de código aberto diferente ("Pi") por cerca de um terço do gasto de tokens do DSH. A eficiência de tokens é uma função do prompt e do gerenciamento de contexto do harness, não apenas do modelo, e uma versão de pré-visualização visivelmente ainda não é ideal nisso. Se o custo é o seu fator decisivo, faça benchmark da sua tarefa real em dois harnesses antes de se comprometer.

Onde o OrcaRouter realmente se encaixa aqui é como a camada de modelo, não o harness. Nós não hospedamos o DSH — ele é um runtime local, e ninguém deveria vender a você um DSH hospedado. O que hospedamos são os modelos que você conecta a ele, por trás de uma única chave com failover automático entre provedores. Isso importa especificamente porque o DSH é uma prévia de desenvolvedor 0.1: você pode avaliá-lo contra tráfego real enquanto mantém os mesmos modelos em um endpoint estável, e no dia em que o DSH mudar de forma incompatível, seu acesso aos modelos não muda junto. Experimente o harness; mantenha os modelos em um roteador.

Os limites honestos de uma prévia 0.1

O próprio README do Deep​Seek diz claramente: o DSH está em prévia para desenvolvedores, com iterações rápidas, e haverá mudanças que quebram a compatibilidade. O que isso significa na prática, desde os primeiros dias da comunidade com ele:

• Atualizações vão quebrar as coisas. Arquivos de configuração, compatibilidade de plugins e formatos de predefinições já mudaram entre os candidatos a lançamento; espere verificar novamente sua configuração a cada atualização.

• A documentação está incompleta. Algumas áreas avançadas — subagentes, fluxos de trabalho, acompanhamento de metas — são pouco documentadas, e vários contribuidores da primeira semana relatam ler o código-fonte ou discussões no GitHub para destravar.

• É um produto para desenvolvedores, não para consumidores. A interface pressupõe que você se sinta confortável com arquivos, shells e chaves de API. A manchete do resumo do GeekPark — "ele faz o trabalho, mas você precisa ficar de olho" — é precisa.

• O Windows é um cidadão de segunda classe por enquanto. A integração com o shell pressupõe um ambiente no estilo Unix em vários pontos; usuários de Windows relatam precisar de ajustes no pwsh e encontrar bugs estranhos de caminho ocasionalmente.

• Não há aplicativo de desktop. A única interface é a Web UI do navegador e a CLI, que funciona bem em um terminal, mas nem tanto se você preferir um aplicativo ancorado.

• A eficiência de tokens não está comprovada em escala. A comparação com o Pi-harness acima é um ponto de dados, mas é um alerta de que o prompt padrão e o gerenciamento de contexto ainda não estão ajustados como os de um produto maduro estariam.

Quando DSH é a escolha errada

O lado honesto da moeda. Não use DSH para pipelines de produção ainda — a promessa de mudanças que quebram a compatibilidade é uma parada definitiva para qualquer coisa que não possa tolerar uma atualização do harness alterando silenciosamente o comportamento. Não o escolha para uma equipe que não se sinta confortável em depurar o comportamento do agente a partir de um terminal; a Trajectory e o sistema de plugins são poderosos, mas pressupõem alfabetização técnica. E se o que você realmente precisa é de uma experiência estável e mantida de agente de codificação com outra pessoa responsável pela cola, os agentes pagos com os quais a DSH compete continuam sendo a opção de menor risco. A proposta da DSH é para a pessoa que quer ser dona do harness — trocar modelos, montar servidores MCP, escrever um preset e ver cada passo que o agente deu.

Conclusão

A resposta prática para "como usar o Deep​Seek DSH" não mudou nos dias que se seguiram ao lançamento: instale o Node.js, execute npx @deepseek-ai/dsh web, abra a porta 3080, adicione uma chave de API, escolha Standard e comece com uma tarefa pequena. Aprenda a visão Trajectory desde cedo, porque ela é o seu instrumento de depuração. Trate as predefinições como catálogos de ferramentas diferentes, não modelos diferentes, e trate o projeto inteiro como uma prévia: capaz o suficiente para valer a pena aprender, instável o suficiente para que você mantenha os modelos em que ele roda atrás de um endpoint em que você já confia. É nessa camada que a OrcaRouter se situa — DeepSeek V4 Flash e DeepSeek V4 Pro pelo preço de tabela do provedor, sem margem nenhuma, uma chave, failover automático — para que o harness possa mudar sob você sem que os modelos mudem também. DSH é o runtime de agente open-source mais interessante do ano até agora. Só que ainda não está pronto, e a maneira honesta de usar algo inacabado é garantir que a parte que pode quebrar não derrube junto o seu acesso aos modelos.