DeepSeek Harness Plugins, förklarat: Installera, lägg till och bygg på agentkörningsmiljön "Allt är ett plugin"

Svaret på en rad: DeepSeek Harness är inte en modell. Det är den öppna agent runtime som DeepSeek släppte den 13 augusti 2026 under MIT-licens, och hela idén är att varje förmåga en agent behöver – modell, verktyg, färdigheter, sessionstillstånd, gränssnitt, till och med huvudloopen – ska vara en utbytbar plugin. Modellerna du kör i den är DeepSeek V4 Flash och DeepSeek V4 Pro, och du behöver inte tro ett ord av marknadsföringen för att känna skillnaden: kör npx @deepseek-ai/dsh web, öppna 127.0.0.1:3080, och inom en minut har du en lokal kodningsagent vars terminal, sidopanel, webbsökning och minne alla är plugins som du kan lägga till, ta bort eller skriva om utan att röra ramverkets källkod. GitHub-förvaret som släppte det här nådde 50 000 stjärnor under de första 12 timmarna och ligger på 125 959 stjärnor den 16 augusti 2026. Den här artikeln är den praktiska plugin-guide som sökresultaten på första sidan hoppar över: vad DSH faktiskt är, vad plugin-ekosystemet innehåller just nu, hur man installerar och skriver plugins, och var förhandsversionen verkligen brister.

Vad DeepSeek Harness faktiskt är (och vad det inte är)

DeepSeeks interna formel, bekräftad på den officiella Harness-sidan, är Model + Harness = Agent: modellen tänker och resonerar, harnessen ger agenten förmågan att förstå sin miljö, använda verktyg och fortsätta arbeta med en verklig uppgift. Anthropic populariserade termen och Claude Code är referensimplementationen; DeepSeeks version är open source, körs helt på din egen maskin och riktar sig mot samma område som Claude Code och OpenAI Codex. Den positioneringen är anledningen till att det är fel att kalla DSH "en modell" och varför den här artikeln inte är en modellrecension: harnessen är lagret som kopplar samman en modell med verktyg, filer, en terminal och ett webbgränssnitt — och i DeepSeeks design är var och en av dessa kopplingar en plugin.

Utgivningsfakta, allt verifierat den 16 augusti 2026: repot deepseek-ai/deepseek-harness blev offentligt kvällen den 13 augusti, Peking-tid, som en v0.1-utvecklarpreview under MIT-licens. Det passerade 10 000 stjärnor på under två timmar och 50 000 inom tolv timmar — ungefär 80 gånger snabbare än OpenClaw, som tidigare var det snabbast växande GitHub-repot — och senare rapporter placerade det över 100 000 vid 42-timmarsstrecket. GitHub API:et visar idag 125 959 stjärnor och 12 526 forks. Det är inte en molntjänst: du installerar Node.js, kör npx @deepseek-ai/dsh web, och webbgränssnittet serveras på http://127.0.0.1:3080 med dina sessioner, loggar och data kvar lokalt. Versionen på npm är 0.1.0-rc.6, och README anger att projektet är i utvecklarpreview och "itererar snabbt", med förväntade kompatibilitetsbrytande förändringar.

"Allt är ett plugin" — vad slagordet faktiskt betyder

Ramverket är byggt på Cordis, ett plugin-metaramverk som extraherats från Koishis bot-ekosystem. Cordis är avsiktligt enkelt: det laddar, avladdar och löser enbart beroenden mellan plugins, och har inga av agentens faktiska kapaciteter. Allt därutöver — modelladaptern, verktyg, färdigheter, sessioner, sandlådan, lagring, loopen som driver agenten, schemaläggning och webbgränssnittet — är i sig självt en Cordis-plugin, och plugins samverkar genom Cordis tjänster och händelser. Du väljer, ersätter eller utökar valfri kapacitet i konfigurationslagret, utan att redigera källkod.

Det inkluderar modellen. Modellen är bara en plugin med en OpenAI-kompatibel slutpunkt bakom sig, så ingenting i ramverket tvingar dig att hålla dig inom DeepSeeks sortiment — steget "byt modell" är en konfigurationsändring, inte en fork. Samma princip är anledningen till att de fyra inbyggda förinställningarna egentligen är fyra plugin-paket:

• Standard — den fullständiga kodningsagenten: filredigering, Shell, fil- och webbhämtning, Skills, planer, mål, delagenter och arbetsflöden.

• PTC — allt i Standard plus Code Mode SDK, som låter modellen skriva ett TypeScript-program för att kedja ihop flerstegsverktygsanrop istället för att utfärda dem ett i taget.

• Minimal — exakt två verktyg (en persistent bash och en str_replace_editor), byggt för modell-benchmarking i minimala miljöer. Det här är läget DeepSeek använde för V4 Flash agent-benchmark-körningarna som dess API-dokumentation refererar till.

• Skapande — ett läge för att skapa nya förinställningar: Standardens fulla kapacitet plus körtidsinspektion och plugin-experiment i minnet, riktat rakt mot plugin-utvecklare.

Plugin-ekosystemet, i siffror

Gemenskapspluginutvecklingen startade under intern testning — ungefär 300 plugins byggdes under de första dagarna, inklusive ett retro-tema för Windows XP och ett meme-plugin — och siffrorna har stigit sedan den offentliga lanseringen. Det antal som räknas beror på vad man räknar:

• 288 plugin-repositorier katalogiserades på lanseringskvällen av kinesisk tech-media, enligt 36Kr:s undersökning.

• 1 000+ databaser som bär den offentliga GitHub-ämnestaggen dsh-plugin inom de första dagarna; vissa siffror rapporterar 700+.

• 1 117 handplockade plugins i 1 521 övervakade ekosystemarkiv, med totalt 301 295 GitHub-stjärnor, i den community-underhållna Oh-My-DSH-katalogen per den 15 augusti 2026.

• 2,600+ repos i den auto-uppdaterande awesome-dsh-katalogen för hela dsh-plugin-ämnet, och 368 handkurerade poster i 18 kategorier i listan 0xsline awesome-deepseek-harness.

Taxonomin i dessa listor visar var communityt gick först – och det är exakt den yta en agentruntime behöver. Webbsökning: dsh-web-search-exa (Exa-baserad, med en nyckelfri fallback) och dsh-web-search-pro (flermotorroutning över DeepSeek, Exa, DuckDuckGo, Bing, Jina, GitHub, Bilibili och YouTube). RSS och nyheter: dsh-news-plugin hämtar 10+ kinesiska och engelska flöden till strukturerade poster. Office-filer: dsh-office låter modellen redigera Office-dokument med docx/pdf-förhandsvisning i webbklienten. Chatthistorikimport: dsh-chat-import återställer fullfjädrade konversationer från 13 kodagenter – Claude Code, OpenAI Codex, ChatGPT, Cursor, Gemini och andra – som återupptagbara DSH-sessioner. Mobil: dsh-mobile och dsh-mobileweb-adapter placerar gränssnittet på en telefon. Feishu och Lark: dsh-feishu-bot och dsh-feishu-notify skickar sessionshändelser till Feishu, och dsh-im-hub är en plattformsoberoende gateway (Feishu WebSocket, WeCom, Telegram). Röst: dsh-voice lägger till Edge neural TTS uppläsning och tal-till-text, och dsh-voice-webspeech kräver varken server eller API-nycklar. Runt dessa finns minnesplugin (dsh-memento, dsh-memory-evolve, dsh-recall), en officiell verktygssvit (dsh-toolkit), IDE-liknande sidofält (dsh-better-sidebar, deepseek-harness-workbench-plugin), visionsplugin som ger syn åt text-only-modeller, och till och med en Tauri desktop wrapper, deepseek-harness-desktop.

Hur man installerar DSH och lägger till plugins.

Installationssökvägen är kort, och plugin-kommandot är värt att få exakt rätt eftersom flera handledningar förstör det. Den kanoniska formen är dsh plugin --profile web add <package> — flaggan --profile web är viktig, eftersom profiler är hur DSH avgör vilket plugin-paket en session kör, och webbprofilen är den som ligger bakom webbgränssnittet.

• Install Node.js (reports indicate 22.19 or newer), then start the Web UI: npx @deepseek-ai/dsh web — it serves at http://127.0.0.1:3080.

• Lägg till ett plugin med npm-paketnamn: dsh plugin --profile web add <package-name>, till exempel dsh plugin --profile web add @nanmicoder/dsh-agent-teams.

• Lägg till från ett GitHub-repo: dsh plugin --profile web add "github:owner/repo#ref" (#ref låser fast en branch, tagg eller commit).

• Utan att installera dsh globalt: npx -p @deepseek-ai/dsh dsh plugin --profile web add <package-name>.

• Efter att ha installerat ett bundle-plugin, starta om dsh web och uppdatera sidan; verifiera med dsh plugin --profile web list, eller använd Inställningar → Plugins i webbgränssnittet.

En subtilitet som nybörjare lätt snubblar på: endast paket som deklarerar ett dsh.bundle.patch fält blir aktiva profillager. Ett vanligt beroende installeras men förblir inaktivt — det är paketdeklarationen som talar om för DSH att paketet är en harness-plugin och var den kopplas in. dsh plugin-kommandot vidarebefordrar paketoperationer till pnpm, så npm-paket, GitHub-specifikationer, lokala sökvägar, file:- och link:-källor stöds alla, och att köra samma add-kommando igen uppgraderar plugin.

Så här skriver du ditt eget plugin

Eftersom allt är en plugin, innebär det att skriva en plugin att skriva en Cordis-plugin som deklarerar ett DSH-bundle – och communityns scaffolding ger en ren startpunkt. Plugin-registret och utvecklingsverktygen (plugin-registry, dsh-plugin-starter, create-dsh-plugin och dsh-plugin-check-hälsokontrollen) är community-infrastruktur, men kontraktet är tillräckligt stabilt för att beskrivas: ditt paket måste deklarera dsh.bundle.patch för att bli ett aktivt profillager, det exponerar sina förmågor som Cordis-tjänster och -händelser, och körtiden avgör vid inläsning hur det patchas in i den profil du valt.

För lokal utveckling är loopen: klona och bygg din plugin, lägg till den med dsh plugin --profile web add "link:$(pwd)", och iterera sedan — ändringar på klientsidan kräver en siduppdatering, ändringar på värdsidan kräver en omstart av dsh-tjänsten. Det är via det lokala länkarbetsflödet som de första 1 000 pluginarna i ekosystemet byggdes, och det är värt att ta efter den disciplin som dessa projekt tillämpar: att låsa versioner. Förhandsvisningscykeln är tillräckligt snabb för att en plugin skriven mot en rc kan gå sönder när nästa rc släpps — communityns ModLens vision-plugin, till exempel, är dokumenterad som att den behöver ha versionen låst för att fungera tillförlitligt.

Trajectory och MCP — de två funktioner som recensenter hela tiden lyfter fram.

Två förmågor är värda att känna till innan du bestämmer dig för om DSH är något för dig, eftersom de är de delar av designen som en "plugin-lista" inte kommer att berätta om. Den första är trajektorian. Varje körning är spårbar: modellens hela upplevelse — systemprompter, tankekedja, varje verktygsanrop och dess resultat, schemaläggning av delagenter och varje kontextinjektion — skrivs till en sessionslogg av typen append-only, och återställning, förgrening, hämtning och uppspelning verkar alla på samma händelseström. Utvecklare på Hacker News pekade ut detta som den avgörande funktionen och noterade att slutna agentprodukter döljer exakt dessa data. Den andra är MCP. DSH levererar en officiell MCP-klient med ett /mcp-kommando och en Settings-flik för servrar, och ekosystemet har redan byggt på det — dsh-chatgpt-bridge exponerar en DSH-session för ChatGPT som en MCP-server, och dsh-mcp-panel är en observerbarhetspanel för klienten. Om din agentstack redan lutar sig mot MCP-servrar kan DSH montera dem som plugin.

Var modellen kommer ifrån

DSH är en harness, inte en modellleverantör, så det enda du måste tillhandahålla är en modelländpunkt – och det är här som den naturliga passformen är DeepSeeks eget par. DeepSeek V4 Flash (den effektiva MoE:n med totalt 284B / 13B aktiva, cirka 0,15 USD per miljon inmatningstokens och 0,29 USD per miljon utmatningstokens) är det billiga standardvalet; DeepSeek V4 Pro (flaggskeppet med totalt 1,6T / 49B aktiva, cirka 0,44 / 0,88 USD) är den högpresterande motorn. Båda är värdade på OrcaRouter till DeepSeeks listpris utan påslag, nåbara via en OpenAI-kompatibel nyckel – vilket passar rent in i DSH:s modellplugin: peka modellpluginen mot OrcaRouter-slutpunkten, så kan du dirigera mellan Flash och Pro i samma harness, med automatisk växling till en andra leverantör om en stannar. Det är ett äkta användningsfall, och ett ärligt sådant: OrcaRouter är inte värd för DSH själv – DSH körs på din maskin, och OrcaRouter är det modellager du pekar den mot.

Där det brister — den ärliga delen

Samma energi som skapade 125 000 stjärnor på tre dagar är den energi som skapade de vassa kanterna. Läs dessa innan du installerar, inte efter:

• Det är en förhandsversion för utvecklare, och det står det. README:ns egen varning är "THERE WILL BE COMPATIBILITY-BREAKING CHANGES." npm-versionen är en releasekandidat (0.1.0-rc.6), kärnpluginerna och bas-API:erna är fortfarande under utveckling, och startgränssnittet visar självt ett meddelande riktat till Harness-utvecklare. Skapa inte ett produktionsberoende till versionsnummer som kan ändras under dig.

• Valet av harness kostar riktiga tokens. En jämförelse från tredje part som citerades i kinesisk press fann att ett annat open source-harness använde ungefär 30 % så många tokens som DeepSeek Harness för samma DeepSeek V4 Flash-uppgift, och ett kontrollerat test från Composio körde samma V4 Flash på åtta harnessar över 30 uppgifter och fick mellan 14 och 20 slutföranden — modellen identisk, resultaten skilde sig med en tredjedel. Harnesset är inte ett neutralt omslag; det avgör hur effektivt modellen arbetar.

• Det känns som ett ramverk, inte en färdig produkt. Recensenternas egna ord: gränssnittet är inte vänligt för personer som inte skriver kod, och det finns ojämnheter överallt. Det finns ingen officiell CLI eller TUI — communityn byggde dsh-TUI och dsh-tianshu-tui för att fylla den luckan — och "allt är en plugin"-friheten är precis vad som gör att standardinställningarna känns ofärdiga.

• Den fungerar, men du måste hålla koll på den. De praktiska rapporterna — inklusive den som myntade rubriken "50 000 stjärnor över en natt" — beskriver en agent som utför flerstegsuppgifter (återuppbygger en webbplats i ett annat designspråk, hämtar GitHub API-data och renderar ett diagram) men som behöver tillsyn, med mindre format- och interaktionsfel i resultaten.

• Local-first innebär att du står för beräkningskraften. DSH körs på din maskin och med dina modellnycklar. Om du ville ha en hanterad agent är detta fel sak.

Slutsats

DeepSeek Harness är det snabbast växande open source-projektet 2026 – inte för att det är en bättre modell (det är inte en modell alls) – utan för att det gjorde agenten själv till plattformen. Plugin-ekosystemet är den verkliga historien: 100+ funktioner i de officiella paketen, 1 100+ community-plugins katalogiserades tre dagar efter lanseringen, och det snabbaste sättet att utvärdera hela satsningen är att köra npx @deepseek-ai/dsh web och lägga till några plugins. För en utvecklare som vill ha en lokal, fullt inspekterbar agentruntime och som är bekväm med att låsa versioner på en rörlig förhandsversion, är DSH värt att installera idag – para ihop det med DeepSeek V4 Flash och DeepSeek V4 Pro via OrcaRouter till DeepSeeks listpris så har du hela stacken för kostnaden av enbart tokens. För den som behöver produktionsstabilitet, inte kan passa en förhandsversion, eller vill ha en hanterad agent, är det inte redo än – vänta tills kompatibilitetsytan har stabiliserats. Ramverkets påstående – att harnesset snarare än modellen är där värdet ackumuleras – är det man ska satsa på eller argumentera emot – och nu, tack vare 1 000+ öppna plugins, kan du testa det själv.