Så här använder du DeepSeek DSH: En praktisk guide till DeepSeeks open source-agentverktyg

DSH — Deep​Seek Harness — är den agentkörningsmiljö som Deep​Seek släppte som öppen källkod den 13 augusti 2026, och den är inte en modell. Det är den harness som sitter mellan en modell och din terminal, ger en språkmodell filredigering, ett skal, sökning, planering och verktygsanrop, och loggar sedan varje steg så att du kan spela upp vad den gjorde. I ett andetag: installera Node.js, kör npx @deepseek-ai/dsh web, öppna http://127.0.0.1:3080, lägg till en API-nyckel, välj en förinställning och starta en session. Nedan är den version av det svaret som du faktiskt kan arbeta utifrån — de fyra förinställningarna, att använda den som en kodningsagent, att läsa en Trajectory, att koppla in MCP, och varningarna för förhandsversionen som lanseringsbevakningen hoppade över. De två modeller som du med största sannolikhet kommer att koppla in i den — DeepSeek V4 Flash och DeepSeek V4 Pro — nämns genomgående.

Det här är en användningsguide, inte en sammanfattning av lanseringen. Vi har redan täckt läckagespåret och releasedatumet i separata artiklar; ämnet här är den fråga en sökare faktiskt har – hur man använder produkten när den väl är installerad. Källhänvisningarna är märkta allt eftersom: Deep​Seek:s eget arkiv och dokumentation för vad DSH hävdar, samt daterad kinesisk tech-press (GeekPark, The Paper) och community-arkiv för vad användare rapporterar efter att ha kört den.

Vad DSH är (och vad det inte är)

Deep​Seek:s interna formel är Modell + Harness = Agent, och DSH är harness-halvan. Modellen resonerar; harnessen bestämmer när den ska ge den ett verktyg, läser filer, kör shellkommandon, matar tillbaka felutdata i loopen och bedömer när en uppgift är klar. DSH släpptes som öppen källkod den 13 augusti 2026 klockan cirka 20:30 Peking-tid under MIT-licensen, skriven i TypeScript, och levererades som en v0.1-utvecklarförhandsversion. Stjärnhistoriken är den del som alla citerar: ungefär 7 300 stjärnor klockan 21:05, 15 500 vid 21:51, över 10 000 inom cirka två timmar från tillkännagivandet, 50 000 inom tolv timmar och 100 000 på cirka 42 timmar – den snabbaste tillväxt som GitHub har registrerat, enligt GeekPark och The Papers rapportering samma dag. Repositoriet ligger på ungefär 126 000 stjärnor idag.

Arkitekturens slogan är "allt är en plugin", byggd på Cordis-ramverket: modelladaptrar, verktyg, Skills, sessionsloggen, godkännandepolicyn, till och med agentloopen själv är pluginmoduler som monteras i en delad kontext. En standardinstallation innehåller över hundra pluginmoduler, och den interna testfasen producerade ungefär trehundra community-pluginmoduler innan den offentliga lanseringen, enligt GeekPark. Det är därför det kallas en agentruntime snarare än en app – du sätter ihop det beteende du vill ha av utbytbara delar.

Vad DSH inte är, är en modell. Det finns ingen "DSH-modell" att benchmarka, och ingen är värd för DSH åt dig att anropa — det körs lokalt, på din maskin, och du debiteras bara för de modelltokens som förbrukas. Modellen kopplas in separat, och Deep​Seek levererar adaptrar för 20+ leverantörer och protokoll, inklusive Deep​Seeks eget API, Open​AI-kompatibla slutpunkter och Anthro​pics. I praktiken är det den kombination alla kör: DSH plus DeepSeek V4 Flash för billig vardagskodning, eller DeepSeek V4 Pro när uppgiften är tillräckligt svår för att motivera en större hjärna — mer om det nedan.

Innan du börjar: vad du faktiskt behöver

Förkunskaperna är lättare än vad täckningen antyder. Du behöver Node.js – paketet deklarerar ^22.19.0 eller >=24.0.0, så nuvarande LTS och allt nyare fungerar – samt en API-nyckel för den modell du tänker koppla in. DSH i sig är gratis och öppen källkod; den enda kostnaden är modelltokens. Du behöver också en katalog som du är villig att låta agenten röra: DSH:s arbetsytemekanism är säkerhetsgränsen, och den begränsar agenten till de kataloger du uttryckligen lägger till.

Vid första körningen skapar DSH en hemkatalog — $DSH_HOME, som har standardvärdet ~/.dsh — som innehåller dina profiler, sessioner, lagring och en settings.yaml. API-nycklar finns i en .credentials.yaml-fil där; webbgränssnittet visar endast en maskerad beskrivning, aldrig själva nyckeln. Den filen är värd att säkerhetskopiera, eftersom att mata in nycklar för hand är det enskilt vanligaste klagomålet vid konfigurering i communityn.

Installera och starta: fyra sätt in

Zero-install-vägen är ett enda kommando. Från en terminal med Node.js installerat:

• npx @deepseek-ai/dsh web — laddar ner paketet och startar webbgränssnittet på http://127.0.0.1:3080. Detta är den snabbaste vägen och den som dokumentationen inleder med.

• npm install -g @deepseek-ai/dsh, sedan dsh web — en global installation om du kommer att använda den upprepade gånger.

• Från källkod: git clone https://github.com/deepseek-ai/deepseek-harness, sedan pnpm install, pnpm run build, pnpm dsh web — den rätta vägen om du vill läsa eller ändra koden, och den som plugin-utvecklingsdokumentationen utgår från.

• Python SDK: pip install deepseek-harness-sdk — för CI-skript och batchautomatisering, med exempel i repositoryts exempelkatalog.

Det finns också ett headless CLI för engångsuppgifter i skript: dsh --profile headless "fix the failing test in this repo" kör agenten en gång, skriver ut det slutliga svaret och avslutas med kod 0. dsh-lanseraren tolkar endast sina egna flaggor — --profile, --patch och liknande — och vidarebefordrar allt efter dem till profilen som startas, vilket är en vanlig källa till förvirring vid första körningen.

Webbgränssnittet binder som standard till 127.0.0.1, så inget exponeras mot ditt nätverk — ett medvetet standardval, och ett att behålla tills du har en anledning att inte göra det. Sessioner, loggar och inloggningsuppgifter stannar alla på din maskin; det finns ingen molnkomponent i DSH självt.

Första körning: nyckel, arbetsyta, session

När gränssnittet är igång består första körningen av tre steg. I Inställningar lägger du till din API-nyckel under Modeller och väljer leverantör. Lägg sedan till en arbetsyta – projektkatalogen som agenten ska arbeta i. Slutligen skapar du en session, väljer en körtidsförinställning och skickar en liten första uppgift, till exempel ”analysera den här katalogens struktur och skriv en README för den”. Att börja smått är viktigt: det är det snabbaste sättet att bekräfta att nyckeln, arbetsytans gräns och sandlådan fungerar som de ska innan du ger agenten ett riktigt jobb.

DSH ställer själv klargörande frågor när en instruktion är tvetydig, även med planeringsläget avstängt, och presenterar föreslagna alternativ istället för att gissa. Communityn rapporterar detta som ett av de minst förväntade och mest användbara standardbeteendena för en användare på första dagen.

De fyra förinställningarna — och vilken du ska välja

Förinställningarna är inte samma modell i olika sinnesstämningar. Varje en är en annan verktygskatalog plus ett annat systemmeddelande, och att byta förinställning ändrar vad agenten kan se och göra, inte vilken modell som svarar. De fyra medföljande förinställningarna är Standard, PTC, Minimal och Creation.

• Standard — hela verktygslådan för kodningsagenter: filredigering, ett beständigt skal, fil- och webbhämtning, Skills, planeringsläge, målföljning, delagenter och arbetsflöden. Detta är standarden formad efter Claude Code / Open​AI Codex, och det är här du bör börja.

• PTC (Code mode) — "Programmatic Tool Calling." Den paketerar verktygskatalogen i ett TypeScript-SDK och låter modellen skriva ett TypeScript-program som gör många verktygsanrop i en enda run_code-invokation, samtidigt som mellanliggande data hålls i en worker-tråd och endast en sammanfattning returneras till modellens kontext. Communityrapporter uppskattar tokensparandet till omkring 20x på flerstegsuppgifter, till priset av att modellens första utdata blir ett program du kan läsa och granska.

• Minimal — exakt två verktyg, ett beständigt bash-skal och str_replace_editor, med en ren personaprompt. Det finns för att benchmarka modellförmåga med minimalt harness-bygge; Deep​Seek använde det för de officiella DeepSeek V4 Pro 0813 agentutvärderingarna. Använd det när du testar en modell, inte när du försöker få arbete gjort.

• Creation — Standard plus körtidsinspektion och plugin-experimentering: ett dsh-tool-cordis-verktyg som läser av den aktiva körtiden (laddade plugins, tjänster, händelser) och monterar eller avmonterar plugins i minnet, avsett för personer som bygger presets och plugins. Betrakta det som att det har kraft på skalnivå — det kan ändra harnessen medan den körs.

Den åsiktsdrivna versionen: börja i Standard, avancera till PTC för de repetitiva flerstegsuppgifterna där rundtursminskningen lönar sig, och lämna Minimal och Creation ifred tills du benchmarkar eller bygger plugins. En community-varning värd att lägga på minnet: Minimal-förinställningens verktygsschema är mätbart bättre på att förankra DeepSeek V4 Pro i ett kortfattat "vi behöver…" första svar än den fylligare Standard-katalogen, vilket är varför experimentella förinställningar som dsh-anchored-standard exponerar en Minimal-anpassad första begäran och sedan låser upp Standard. Det är ett tecken på hur mycket verktygskatalogen i sig formar beteendet — värt att veta om en uppgift ständigt kommer tillbaka från agenten i fel ton.

Använda det som en kodningsagent: ett konkret arbetsflöde

Här är formen på en riktig DSH-session på Standard preset, enligt vad utövare rapporterar:

• Peka DSH mot en arbetsyta som är en git checkout, och ge den en uppgift formulerad som ett resultat: "lägg till paginering till listendpointen och behåll de befintliga query-parametrarna."

• Låt den planera (eller inte — agenten planerar oavsett), titta sedan på när den läser de relevanta filerna, formar en plan och anger vad den kommer att ändra innan den ändrar något.

• Agenten redigerar filer, kör testsviten i sitt beständiga skal, läser felen och itererar. Denna loop — redigera, kör, läs felet, redigera igen — är kärnkompetensen hos harnessen, och det beständiga skalet är det som gör den snabb: tillståndet överlever mellan verktygsanrop, så den startar inte om sin kontext vid varje kommando.

• För allt som behöver extern kontext använder den fil- och webbhämtning, och den kan lämna över en stor fristående arbetsuppgift till en underagent så att huvudloopens kontext förblir liten.

• Inbyggda färdigheter täcker metarbetet: dsh-code-review granskar en pull request, dsh-find-simplifications letar efter kod som kan förenklas, dsh-doc-standards kontrollerar dokumentation mot husreglerna. Färdigheter fungerar som plugins, och communityn har byggt hundratals fler.

Åtgärder med hög behörighet – skrivningar utanför arbetsytan eller kommandon med full åtkomst – utlöser en godkännandeprompt i webbgränssnittet innan de körs. Den sandlådan, med sina nivåer skrivskyddad / skrivbar i arbetsytan / full åtkomst, är det viktigaste som står mellan en förvirrad agent och hela din maskin, så läs prompten innan du klickar på den.

När en uppgift behöver köras över flera steg med beslut emellan, kedjar arbetsflöden ihop dem och för vidare tillstånd från ett steg till nästa. Kombinationen — planering, beständigt skal, hämtning, Skills, underagenter, arbetsflöden — är Standard-förinställningens hela koncept, och det är samma funktionsyta som de betalda kodningsagenterna du jämför med, som kör mot vilken modell du än kopplat in.

Spårreplay: se exakt vad agenten gjorde

Funktionen som granskarna ständigt återkommer till är Trajectory. DSH registrerar hela sessionen som en append-only-händelselogg — systemprompten, modellens tankekedja, varje verktygsanrop och resultat, delagenters livscykler och kontextinjektioner. Webbgränssnittets Trajectory-vy spelar upp strömmen steg för steg, så att du exakt kan se vad agenten såg vid varje ögonblick, vilket kommando den körde och vad modellen beslutade härnäst.

Den loggen är inte bara ett revisionsspår. Eftersom den är källan till sanning härleds sessionsåterställning, förgrening, hämtning och uppspelning alla från den: du kan förgrena en session från vilken punkt som helst, återuppta en som avbrutits, och — det som teamen finner mest värdefullt — attribuera kostnad per steg när en uppgift kör länge. När en kodningsagent tyst gör fel sak, är Trajectory det som visar dig var den spårade ur istället för att lämna dig att gissa från den slutliga diffen. Ingen annan komponent i verktyget har så mycket felsökningskraft.

Multi-agent-orkestrering och MCP

Två noteringar om arkitekturen är viktiga för den som undrar "hur bygger jag vidare på detta". För det första är DSH multiagent på harness-nivå, inte bara genom en enda lång loop: delagenter kör i sin egen kontext med sina egna verktyg, och huvudagenten koordinerar dem, vilket är hur den hindrar en stor uppgift från att spränga det primära kontextfönstret. För det andra ligger MCP ett lager längre ner: Model Context Protocol är den öppna standarden för att ansluta en AI-applikation till externa data och verktyg, medan DSH är runtime som avgör när ett verktyg ska erbjudas och om dess anrop ska godkännas. En MCP-server monteras in i DSH som ett plugin, så att communityns hundratals MCP-servrar passar in utan specialhantering — samma mekanism som monterar verktyg, Skills och förinställningar. Det finns inget separat "MCP-läge" att aktivera; du lägger till servern och den blir ytterligare ett plugin i katalogen.

Var modellerna kommer ifrån (och vad det kostar)

DSH är gratis, men det drivs av tokens, och kostnaden är modellen. De två motorer de flesta kommer att använda är Deep​Seek:s egna: DeepSeek V4 Flash för cirka 0,15 USD per miljon inmatningstokens och 0,29 USD per miljon utmatningstokens på OrcaRouter, med en kontext på 1M-tokens och 384K maxutdata — den billiga vardagsmotorn — och DeepSeek V4 Pro för cirka 0,44/0,88 USD för de svåra uppgifterna. Båda ligger till leverantörens listpris på OrcaRouter, utan påslag (0 %), vilket innebär att en prisändring från Deep​Seek landar hos oss samma dag utan omförhandling. Oberoende rapportering om DSH:s faktiska förbrukning stödjer den billiga historien: The Papers dag ett-test körde flera uppgifter genom DSH för under 3 ¥ i totala tokenkostnader.

Ett ärligt förbehåll från samma bevakning: en tredjepartsjämförelse på dag två visade att samma DeepSeek V4 Flash slutförde samma uppgifter i ett annat ramverk med öppen källkod ("Pi") till ungefär en tredjedel av DSH:s tokenförbrukning. Tokeneffektivitet är en funktion av ramverkets prompt- och kontexthantering, inte bara modellen, och en förhandsversion är synbart inte optimal på det ännu. Om kostnad är din avgörande faktor, benchmarka din faktiska uppgift i två ramverk innan du förbinder dig.

Där OrcaRouter verkligen passar in här är som modellagret, inte som körningsmiljön. Vi hostar inte DSH — det är en lokal runtime, och ingen bör sälja dig en hostad DSH. Det vi hostar är modellerna du kopplar in i den, bakom en enda nyckel med automatisk failover mellan leverantörer. Det spelar roll särskilt eftersom DSH är en 0.1-utvecklarförhandsversion: du kan utvärdera den mot riktig trafik medan du behåller samma modeller på en stabil slutpunkt, och den dag DSH ändras på ett sätt som bryter kompatibiliteten, ändras inte din modellåtkomst med det. Prova körningsmiljön; behåll modellerna på en router.

De ärliga gränserna för en 0.1-förhandsvisning

Deep​Seek:s egen README säger det rakt ut: DSH är i utvecklarförhandsgranskning, itererar snabbt, och det kommer att komma kompatibilitetsbrytande ändringar. Vad det innebär i praktiken, från communityns första dagar med det:

• Uppgraderingar kommer att förstöra saker. Konfigurationsfiler, plugin-kompatibilitet och förinställningsformat har redan ändrats mellan releasekandidater; förvänta dig att behöva verifiera din konfiguration på nytt vid varje uppdatering.

• Dokumentationen är ofullständig. Vissa avancerade områden — subagenter, arbetsflöden, målspårning — är tunt dokumenterade, och flera bidragsgivare under sin första vecka rapporterar att de läser källkoden eller GitHub Discussions för att komma vidare.

• Det är en utvecklarprodukt, inte en konsumentprodukt. Gränssnittet förutsätter att du är bekväm med filer, skal och API-nycklar. GeekParks sammanfattningsrubrik — "den får jobbet gjort, men du måste hålla koll på den" — är korrekt.

• Windows är just nu en andra klassens medborgare. Shell-integrationen förutsätter en Unix-liknande miljö på flera ställen; Windows-användare rapporterar att de behöver pwsh-justeringar och stöter på udda sökvägsfel.

• Det finns ingen skrivbordsapp. Det enda gränssnittet är webbläsarens webbgränssnitt och CLI, vilket är bra i en terminal och mindre bra om du ville ha en dockad applikation.

• Tokeneffektivitet är oprövad i stor skala. Pi-harness-jämförelsen ovan är en enda datapunkt, men den är en varning om att standardprompten och kontexthanteringen ännu inte är anpassade som en mogen produkts skulle vara.

När DSH är fel val

Den ärliga baksidan. Använd inte DSH för produktionspipelines ännu — löftet om brytande ändringar är ett hårt stopp för allt som inte tål att en harness-uppdatering tyst ändrar beteende. Välj inte det för ett team som inte är bekvämt med att felsöka agentbeteende från en terminal; Trajectory och pluginsystemet är kraftfulla, men de förutsätter teknisk läskunnighet. Och om det du faktiskt behöver är en stabil och underhållen kodningsagentupplevelse med någon annan som ansvarar för limmet, är de betalda agenter som DSH konkurrerar med fortfarande det mindre riskfyllda alternativet. DSH:s pitch är för den person som vill äga harnessen — för att byta modeller, montera MCP-servrar, skriva ett preset och se varje steg agenten tog.

Slutsats

Det praktiska svaret på "hur använder jag DeepSeek DSH" har inte förändrats sedan det lanserades: installera Node.js, kör npx @deepseek-ai/dsh web, öppna port 3080, lägg till en API-nyckel, välj Standard och börja med en liten uppgift. Lär dig Trajectory-vyn tidigt, eftersom det är ditt felsökningsinstrument. Behandla förinställningarna som olika verktygskataloger, inte som olika modeller, och behandla hela projektet som en förhandsversion: tillräckligt kapabelt för att vara värt att lära sig, tillräckligt instabilt för att du bör hålla modellerna som det körs på bakom en slutpunkt du redan litar på. Det är i det lagret OrcaRouter befinner sig — DeepSeek V4 Flash och DeepSeek V4 Pro till leverantörens listpris med noll påslag, en nyckel, automatisk redundans — så att ramverket kan ändras under dig utan att modellerna ändras också. DSH är den mest intressanta agentruntime med öppen källkod som vi sett hittills i år. Den är helt enkelt inte färdig ännu, och det ärliga sättet att använda något ofärdigt är att se till att den del som kan gå sönder inte tar din modellåtkomst med sig.