วิธีใช้ DeepSeek DSH: คู่มือปฏิบัติจริงสำหรับ Agent Harness โอเพนซอร์สของ DeepSeek

DSH — Deep​Seek Harness — คือตัวรันไทม์ของเอเจนต์ที่ Deep​Seek เปิดซอร์สเมื่อวันที่ 13 สิงหาคม 2026 และมันไม่ใช่โมเดล. มันคือฮาร์เนสที่อยู่ระหว่างโมเดลกับเทอร์มินัลของคุณ โดยให้โมเดลภาษาแก้ไขไฟล์ ใช้เชลล์ ค้นคืนข้อมูล วางแผน และเรียกใช้เครื่องมือ จากนั้นก็บันทึกทุกขั้นตอนเพื่อให้คุณสามารถเล่นซ้ำสิ่งที่มันทำได้ คำแนะนำวิธีใช้อย่างรวบรัด: ติดตั้ง Node.js แล้วรัน npx @deepseek-ai/dsh web, เปิด http://127.0.0.1:3080 เพิ่ม API key เลือกพรีเซ็ต และเริ่มเซสชัน ด้านล่างคือคำตอบฉบับที่คุณใช้ทำงานได้จริง — พรีเซ็ตทั้งสี่, การใช้งานมันเป็นเอเจนต์เขียนโค้ด, การอ่าน Trajectory, การเสียบ MCP, และข้อควรระวังของเวอร์ชันพรีวิวที่รายงานการเปิดตัวไม่ได้กล่าวถึง โมเดลสองตัวที่คุณน่าจะเชื่อมต่อกับมันมากที่สุด — DeepSeek V4 Flash และ DeepSeek V4 Pro — ถูกกล่าวถึงตลอดทั้งข้อความ.

นี่คือคู่มือการใช้งาน ไม่ใช่บทสรุปการเปิดตัว เราได้กล่าวถึงเส้นทางการรั่วไหลและวันวางจำหน่ายในบทความแยกกันแล้ว หัวข้อที่นี่คือคำถามที่ผู้ค้นหามีจริง ๆ — วิธีใช้งานสิ่งนั้นเมื่อติดตั้งเสร็จแล้ว การอ้างอิงแหล่งที่มาถูกระบุไว้ตามลำดับ: พื้นที่เก็บโค้ดและเอกสารของ Deep​Seek เองสำหรับสิ่งที่ DSH อ้าง และสื่อเทคโนโลยีจีนตามวันที่ (GeekPark, The Paper) รวมถึงพื้นที่เก็บโค้ดของชุมชนสำหรับสิ่งที่ผู้ใช้รายงานหลังจากการรันมัน

DSH คืออะไร (และมันไม่ใช่อะไร)

สูตรภายในของ Deep​Seek คือ {{1}}โมเดล + ฮาร์เนส = เอเจนต์{{/1}} และ DSH คือครึ่งฮาร์เนส โมเดลเป็นฝ่ายคิดหาเหตุผล ส่วนฮาร์เนสเป็นฝ่ายตัดสินใจว่าจะส่งเครื่องมือให้เมื่อใด อ่านไฟล์ รันคำสั่งเชลล์ ป้อนผลลัพธ์ข้อผิดพลาดกลับเข้าสู่ลูป และตัดสินว่างานเสร็จสิ้นเมื่อใด DSH ถูกเปิดซอร์สเมื่อวันที่ 13 สิงหาคม 2026 เวลาประมาณ 20:30 น. ตามเวลากรุงปักกิ่ง ภายใต้สัญญาอนุญาต MIT เขียนด้วย TypeScript และเผยแพร่เป็นเวอร์ชันพรีวิวสำหรับนักพัฒนา v0.1 ประวัติดาว (star history) คือส่วนที่ทุกคนมักยกมาอ้าง: ประมาณ 7,300 ดาว เวลา 21:05 น., 15,500 ดาว ภายใน 21:51 น., เกิน 10,000 ดาว ภายในเวลาประมาณสองชั่วโมงหลังประกาศ, 50,000 ดาว ภายในสิบสองชั่วโมง, และ 100,000 ดาว ในเวลาประมาณ 42 ชั่วโมง — ซึ่งเป็นการเติบโตที่เร็วที่สุดที่ GitHub เคยบันทึกไว้ ตามรายงานของ GeekPark และ The Paper ในวันเดียวกัน ในขณะนี้ที่เก็บโค้ดมีดาวอยู่ที่ประมาณ 126,000 ดาว

สถาปัตยกรรมนี้มีสโลแกนว่า "ทุกอย่างคือปลั๊กอิน" สร้างขึ้นบนเฟรมเวิร์ก Cordis: ตัวปรับต่อโมเดล เครื่องมือ Skills บันทึกเซสชัน นโยบายอนุมัติ แม้แต่ลูปของเอเจนต์เองก็เป็นปลั๊กอินที่ถูกเมานต์เข้าไปในบริบทที่ใช้ร่วมกัน การติดตั้งเริ่มต้นมีปลั๊กอินมากกว่าร้อยตัว และในช่วงการทดสอบภายในได้ผลิตปลั๊กอินจากชุมชนประมาณสามร้อยตัวก่อนการเปิดตัวต่อสาธารณะ ตามรายงานของ GeekPark นั่นคือเหตุผลที่มันถูกเรียกว่าเอเจนต์รันไทม์ ไม่ใช่แอป — คุณประกอบพฤติกรรมที่ต้องการจากชิ้นส่วนที่เปลี่ยนแทนกันได้

สิ่งที่ DSH ไม่ใช่ก็คือโมเดล ไม่มี "DSH model" ให้ benchmark และไม่มีใครโฮสต์ DSH ให้คุณเรียกใช้ — มันทำงานบนเครื่องของคุณเอง และเรียกเก็บเงินเฉพาะโทเค็นโมเดลที่คุณใช้เท่านั้น โมเดลถูกเสียบแยกต่างหาก และ DeepSeek จัดหาอะแดปเตอร์สำหรับผู้ให้บริการและโปรโตคอลมากกว่า 20 ราย รวมถึง API ของ DeepSeek เอง, ปลายทางที่เข้ากันได้กับ OpenAI และของ Anthropic ในทางปฏิบัติ คู่ที่ทุกคนใช้คือ DSH กับ DeepSeek V4 Flash สำหรับการเขียนโค้ดประจำวันที่ประหยัด หรือ DeepSeek V4 Pro เมื่องานยากพอที่จะต้องใช้สมองที่ใหญ่ขึ้น — รายละเอียดเพิ่มเติมด้านล่าง

ก่อนเริ่ม: สิ่งที่คุณจำเป็นต้องมีจริงๆ

ข้อกำหนดเบื้องต้นเบากว่าที่เนื้อหาบอกเป็นนัย คุณต้องมี Node.js — แพ็กเกจระบุ ^22.19.0 หรือ >=24.0.0 ดังนั้นเวอร์ชัน LTS ปัจจุบันและเวอร์ชันที่ใหม่กว่านั้นใช้ได้ทั้งหมด — และต้องมี API key สำหรับโมเดลที่คุณวางแผนจะเชื่อมต่อ ตัว DSH เองฟรีและเป็นโอเพนซอร์ส ค่าใช้จ่ายเพียงอย่างเดียวคือค่า token ของโมเดล คุณต้องมีไดเรกทอรีที่ยอมให้เอเจนต์เข้าถึงได้ด้วย: กลไกเวิร์กสเปซของ DSH เป็นขอบเขตด้านความปลอดภัย และมันจะจำกัดเอเจนต์ให้อยู่เฉพาะไดเรกทอรีที่คุณเพิ่มอย่างชัดเจนเท่านั้น

ในการรันครั้งแรก DSH จะสร้างโฮมไดเรกทอรี — $DSH_HOME ซึ่งโดยค่าเริ่มต้นคือ ~/.dsh — สำหรับเก็บโปรไฟล์ เซสชัน พื้นที่จัดเก็บ และ settings.yaml ของคุณ คีย์ API อยู่ในไฟล์ .credentials.yaml ที่นั่น; Web UI จะแสดงเฉพาะตัวอธิบายที่ถูกปกปิดเท่านั้น ไม่เคยแสดงคีย์จริง ไฟล์นั้นควรค่าแก่การสำรองข้อมูล เพราะการป้อนคีย์ด้วยตนเองเป็นปัญหาการตั้งค่าที่พบบ่อยที่สุดในชุมชน

ติดตั้งและเปิดใช้งาน: สี่วิธีเข้าใช้งาน

วิธี zero-install ใช้เพียงคำสั่งเดียว จากเทอร์มินัลที่มีการติดตั้ง Node.js:

• npx @deepseek-ai/dsh web — ดาวน์โหลดแพ็กเกจและเริ่ม Web UI ที่ http://127.0.0.1:3080 ซึ่งเป็นวิธีที่เร็วที่สุดและเป็นวิธีที่เอกสารแนะนำเป็นอันดับแรก

• npm install -g @deepseek-ai/dsh จากนั้นรัน dsh web — ซึ่งเป็นการติดตั้งแบบ global หากคุณจะใช้งานซ้ำๆ

• จากซอร์ส: git clone https://github.com/deepseek-ai/deepseek-harness จากนั้น pnpm install, pnpm run build, pnpm dsh web — เป็นเส้นทางที่ถูกต้องหากต้องการอ่านหรือแก้ไขโค้ด และเป็นเส้นทางที่เอกสารการพัฒนาปลั๊กอินใช้เป็นหลัก

• Python SDK: pip install deepseek-harness-sdk — สำหรับสคริปต์ CI และการทำงานอัตโนมัติแบบแบตช์ พร้อมตัวอย่างในไดเรกทอรี examples ของ repository

นอกจากนี้ยังมี CLI แบบ headless สำหรับงานที่ทำเพียงครั้งเดียวในสคริปต์: dsh --profile headless "fix the failing test in this repo" จะเรียกใช้เอเจนต์หนึ่งครั้ง พิมพ์คำตอบสุดท้าย และจบการทำงานด้วยรหัส 0 ตัวเปิดใช้ dsh จะแยกวิเคราะห์เฉพาะแฟลกของตัวเองเท่านั้น — เช่น --profile, --patch และอื่นๆ — และส่งต่อทุกอย่างที่อยู่หลังจากนั้นไปยังโปรไฟล์ที่ถูกเรียกใช้ ซึ่งเป็นความเข้าใจผิดที่พบบ่อยในการใช้งานครั้งแรก

Web UI ผูกกับ 127.0.0.1 โดยค่าเริ่มต้น ดังนั้นจึงไม่มีสิ่งใดถูกเปิดเผยสู่เครือข่ายของคุณ — เป็นค่าเริ่มต้นที่ตั้งใจ และควรคงไว้จนกว่าคุณจะมีเหตุผลที่จะเปลี่ยนแปลง เซสชัน ล็อก และข้อมูลรับรองทั้งหมดจะอยู่ในเครื่องของคุณเท่านั้น ไม่มีส่วนประกอบคลาวด์ในตัว DSH เอง

การรันครั้งแรก: คีย์, เวิร์กสเปซ, เซสชัน

เมื่อ {{1}}UI{{/1}} เปิดขึ้นมา กระบวนการรันครั้งแรกมีสามขั้นตอน ใน {{2}}การตั้งค่า{{/2}} ให้เพิ่มคีย์ API ของคุณภายใต้โมเดลและเลือกผู้ให้บริการ จากนั้นเพิ่มเวิร์กสเปซ ซึ่งก็คือไดเรกทอรีโปรเจกต์ที่คุณต้องการให้เอเจนต์ทำงาน สุดท้าย ให้สร้างเซสชัน เลือกพรีเซ็ตรันไทม์ และส่งงานแรกเล็กๆ เช่น "วิเคราะห์โครงสร้างของไดเรกทอรีนี้และเขียน README ให้กับมัน" การเริ่มจากงานเล็กๆ สำคัญ: เป็นวิธีที่เร็วที่สุดในการยืนยันว่าคีย์ ขอบเขตเวิร์กสเปซ และแซนด์บ็อกซ์ทั้งหมดทำงานอย่างถูกต้อง ก่อนที่คุณจะมอบงานจริงให้เอเจนต์

DSH จะถามคำถามเพื่อความกระจ่างด้วยตัวเองเมื่อคำสั่งมีความคลุมเครือ แม้จะปิดโหมดการวางแผนอยู่ โดยนำเสนอตัวเลือกที่แนะนำแทนการเดา ชุมชนรายงานว่านี่เป็นหนึ่งในพฤติกรรมเริ่มต้นที่ไม่คาดคิดและมีประโยชน์มากที่สุดสำหรับผู้ใช้ในวันแรก

พรีเซ็ตทั้งสี่ — และควรเลือกอันไหน

พรีเซ็ตไม่ใช่โมเดลเดียวกันในอารมณ์ที่ต่างกัน แต่ละตัวคือแคตตาล็อกเครื่องมือที่ต่างกันรวมกับพรอมป์ต์ของระบบที่ต่างกัน และการสลับพรีเซ็ตจะเปลี่ยนสิ่งที่เอเจนต์สามารถมองเห็นและทำได้ ไม่ใช่เปลี่ยนว่าโมเดลตัวไหนเป็นคนตอบ พรีเซ็ตทั้งสี่ที่มาพร้อมกับระบบคือ Standard, PTC, Minimal และ Creation

• Standard — ชุดเครื่องมือครบครันสำหรับเอเจนต์เขียนโค้ด: การแก้ไขไฟล์ เชลล์ถาวร การดึงข้อมูลไฟล์และเว็บ Skills โหมดการวางแผน การติดตามเป้าหมาย ซับเอเจนต์ และเวิร์กโฟลว์ นี่คือค่าเริ่มต้นที่ออกแบบตามรูปแบบของ Claude Code / Open​AI Codex และเป็นจุดที่คุณควรเริ่มต้น

• PTC (โหมดโค้ด) — "การเรียกใช้เครื่องมือแบบโปรแกรม" โดยจะบรรจุแคตตาล็อกเครื่องมือไว้ใน TypeScript SDK และให้โมเดลเขียนโปรแกรม TypeScript ที่เรียกใช้เครื่องมือได้หลายครั้งในการเรียกใช้ run_code เพียงครั้งเดียว พร้อมกับเก็บข้อมูลกลางไว้ในเวิร์กเกอร์เธรด และส่งกลับเฉพาะสรุปไปยังบริบทของโมเดล รายงานจากชุมชนระบุว่าการประหยัดโทเค็นอยู่ที่ประมาณ 20 เท่าในงานหลายขั้นตอน โดยแลกกับการที่ผลลัพธ์แรกของโมเดลเป็นโปรแกรมที่คุณสามารถอ่านและตรวจสอบได้

• มินิมอล — มีเครื่องมือเพียงสองอย่าง คือ bash shell ที่ทำงานต่อเนื่อง และ str_replace_editor พร้อมพรอมต์บุคลิกที่เรียบง่าย มันมีไว้สำหรับวัดความสามารถของโมเดลด้วยโครงสร้างประกอบที่น้อยที่สุด; Deep​Seek ใช้มันในการประเมินเอเจนต์อย่างเป็นทางการของ DeepSeek V4 Pro 0813 ใช้มันเมื่อคุณกำลังทดสอบโมเดล ไม่ใช่เมื่อคุณต้องการทำงานให้สำเร็จ

• การสร้าง — มาตรฐาน พร้อมการตรวจสอบรันไทม์และการทดลองปลั๊กอิน: เครื่องมือ dsh-tool-cordis ที่อ่านรันไทม์จริง (ปลั๊กอิน บริการ อีเวนต์ที่โหลด) และทำการ mount หรือ unmount ปลั๊กอินในหน่วยความจำ สำหรับผู้ที่สร้างพรีเซ็ตและปลั๊กอิน ให้ถือว่ามีพลังระดับเชลล์ — สามารถเปลี่ยนแปลงแฮร์เนสได้ในขณะที่มันกำลังทำงาน

เวอร์ชันที่มีความเห็น: เริ่มต้นที่ Standard แล้วเลื่อนไปใช้ PTC สำหรับงานหลายขั้นตอนที่ซ้ำซากซึ่งการลดรอบการส่งคำสั่งคุ้มค่า และปล่อย Minimal กับ Creation ไว้ก่อนจนกว่าคุณจะทำ benchmarking หรือสร้างปลั๊กอิน ข้อควรระวังจากชุมชนที่ควรจำไว้: สคีมาเครื่องมือของพรีเซ็ต Minimal ช่วยยึด DeepSeek V4 Pro ให้ตอบกลับครั้งแรกแบบสั้น ๆ ว่า "เราต้องการ…" ได้ดีกว่าการมีแคตตาล็อก Standard ที่สมบูรณ์กว่าอย่างเห็นได้ชัด นี่คือเหตุผลที่พรีเซ็ตทดลองอย่าง dsh-anchored-standard เปิดคำขอแรกที่สอดคล้องกับ Minimal แล้วค่อยปลดล็อก Standard นี่เป็นสัญญาณว่าแคตตาล็อกเครื่องมือมีผลต่อพฤติกรรมมากแค่ไหน — ควรรู้ไว้หากงานไหนที่เอเจนต์ตอบกลับมาเรื่อย ๆ ด้วยน้ำเสียงที่ไม่ตรงที่ต้องการ

การใช้เป็นตัวแทนเขียนโค้ด: ขั้นตอนการทำงานที่เป็นรูปธรรม

นี่คือรูปแบบของเซสชัน DSH จริงบนพรีเซ็ต Standard ตามที่ผู้ปฏิบัติได้รายงานไว้:

• ชี้ DSH ไปยังเวิร์กสเปซที่เป็น git checkout และมอบงานที่สื่อถึงผลลัพธ์ว่า: "เพิ่มการแบ่งหน้า (pagination) ให้กับ list endpoint และคงพารามิเตอร์ query ที่มีอยู่เดิม"

• ปล่อยให้มันวางแผน (หรือไม่ก็ได้ — เอเจนต์วางแผนอยู่ดี) จากนั้นดูมันอ่านไฟล์ที่เกี่ยวข้อง จัดทำแผน และระบุว่ามันจะเปลี่ยนแปลงอะไรก่อนที่จะเปลี่ยนแปลงสิ่งใด

• เอเจนต์แก้ไขไฟล์ รันชุดทดสอบในเชลล์ถาวร อ่านความล้มเหลว และวนทำซ้ำ วงวนนี้ — แก้ไข รัน อ่านข้อผิดพลาด แก้ไขอีกครั้ง — คือความสามารถหลักของแฮร์เนส และเชลล์ถาวรคือสิ่งที่ทำให้มันเร็ว: สถานะคงอยู่ระหว่างการเรียกใช้เครื่องมือ ดังนั้นมันจึงไม่ต้องรีบูตคอนเทกซ์ใหม่ทุกคำสั่ง

• สำหรับสิ่งที่ต้องใช้บริบทภายนอก มันจะใช้การดึงข้อมูลจากไฟล์และเว็บ และสามารถส่งงานชิ้นใหญ่ที่สมบูรณ์ในตัวเองให้กับซับเอเยนต์ เพื่อให้บริบทของลูปหลักยังคงมีขนาดเล็ก

ทักษะในตัว (Built-in Skills) ครอบคลุมงานระดับเมตา: dsh-code-review ตรวจสอบ pull request, dsh-find-simplifications ตามหาโค้ดที่สามารถทำให้ง่ายขึ้นได้, dsh-doc-standards ตรวจสอบเอกสารตามกฎของทีม ทักษะเหล่านี้แทรกเข้าไปเป็นปลั๊กอิน และชุมชนได้สร้างเพิ่มอีกหลายร้อยตัว

การดำเนินการที่มีสิทธิ์สูง — การเขียนนอกเวิร์กสเปซ หรือคำสั่งที่เข้าถึงได้เต็มรูปแบบ — จะแสดงข้อความขออนุมัติใน Web UI ก่อนที่จะทำงาน แซนด์บ็อกซ์นั้น ซึ่งมีระดับการเข้าถึงแบบอ่านอย่างเดียว / เขียนได้ในเวิร์กสเปซ / เข้าถึงเต็มรูปแบบ คือสิ่งสำคัญที่คอยกั้นระหว่างเอเจนต์ที่สับสนกับเครื่องทั้งเครื่องของคุณ ดังนั้นอ่านข้อความนั้นก่อนที่คุณจะคลิก

เมื่องานจำเป็นต้องดำเนินการข้ามหลายขั้นตอนโดยมีการตัดสินใจคั่นกลาง เวิร์กโฟลว์จะเชื่อมโยงขั้นตอนเหล่านั้นและส่งต่อสถานะจากขั้นตอนหนึ่งไปยังขั้นตอนถัดไป การผสมผสาน — การวางแผน เชลล์ถาวร การดึงข้อมูล Skills ซับเอเจนต์ เวิร์กโฟลว์ — คือจุดขายทั้งหมดของ Standard preset และเป็นขอบเขตเดียวกันกับเอเจนต์เขียนโค้ดแบบเสียเงินที่คุณกำลังเปรียบเทียบด้วย ซึ่งทำงานร่วมกับโมเดลใดก็ตามที่คุณเชื่อมต่อเข้าไป

การเล่นซ้ำวิถี: ดูได้อย่างชัดเจนว่าตัวแทนทำอะไรบ้าง

ฟีเจอร์ที่ผู้รีวิวมักจะกลับมาพูดถึงอยู่เสมอคือ Trajectory DSH บันทึกทั้งเซสชันเป็นบันทึกเหตุการณ์แบบ append-only กล่าวคือ พรอมป์ต์ระบบ, ห่วงโซ่ความคิดของโมเดล, การเรียกใช้เครื่องมือทุกครั้งพร้อมผลลัพธ์, วงจรชีวิตของเอเจนต์ย่อย และการฉีดบริบทต่าง ๆ มุมมอง Trajectory ใน Web UI จะเล่นสตรีมนั้นซ้ำทีละขั้นตอน ทำให้คุณเห็นได้อย่างแม่นยำว่าเอเจนต์มองเห็นอะไรในแต่ละขณะ คำสั่งใดที่มันเรียกใช้ และโมเดลตัดสินใจอะไรต่อไป

บันทึกนั้นไม่ได้เป็นเพียงแค่ร่องรอยการตรวจสอบ (audit trail) เท่านั้น เนื่องจากมันคือแหล่งความจริง (source of truth) การกู้คืนเซสชัน การแยกสาขา การค้นคืน และการเล่นซ้ำ ล้วนได้มาจากมัน: คุณสามารถแยกสาขาเซสชันจากจุดใดก็ได้ กลับมาดำเนินการต่อเซสชันที่ถูกขัดจังหวะ และ — สิ่งที่ทีมพบว่ามีค่าที่สุด — ระบุต้นทุนต่อขั้นตอนเมื่องานใช้เวลานาน เมื่อ coding agent ทำสิ่งที่ผิดอย่างเงียบ ๆ Trajectory คือสิ่งที่แสดงให้เห็นว่ามันหลุดรางตรงไหน แทนที่จะปล่อยให้คุณเดาจาก diff สุดท้าย ไม่มีองค์ประกอบอื่นใดของเครื่องมือนี้ที่มีพลังในการดีบักมากเท่านี้

การประสานงานมัลติเอเจนต์และ MCP

หมายเหตุทางสถาปัตยกรรมสองข้อสำคัญสำหรับกลุ่มคนที่ถามว่า "จะต่อยอดจากตรงนี้ได้อย่างไร" ประการแรก DSH เป็นแบบ multi-agent ที่ระดับ harness ไม่ใช่แค่ผ่านลูปยาว ๆ เพียงลูปเดียว: sub-agent แต่ละตัวทำงานใน context ของตัวเองพร้อม tools ของตัวเอง และ agent หลักเป็นผู้ประสานงาน ซึ่งเป็นวิธีที่ทำให้งานขนาดใหญ่ไม่ทำให้ primary context window ระเบิด ประการที่สอง MCP อยู่ต่ำลงไปหนึ่งชั้น: Model Context Protocol เป็นมาตรฐานเปิดสำหรับเชื่อมต่อแอปพลิเคชัน AI เข้ากับข้อมูลและ tools ภายนอก ขณะที่ DSH คือ runtime ที่ตัดสินใจว่าเมื่อใดควรเสนอ tool และจะอนุมัติการเรียกใช้หรือไม่ MCP server ถูก mount เข้าไปใน DSH ในฐานะ plugin ดังนั้น MCP server นับร้อยตัวจากชุมชนจึงเสียบเข้าไปได้โดยไม่ต้องมีกรณีพิเศษ — เป็นกลไกเดียวกับที่ใช้ mount tools, Skills และ presets ไม่มี "โหมด MCP" แยกให้เปิดใช้งาน; คุณแค่เพิ่ม server เข้าไป แล้วมันก็กลายเป็น plugin อีกตัวในแคตตาล็อก

โมเดลมาจากที่ไหน (และราคาเท่าไหร่)

DSH ฟรี แต่ทำงานบนโทเค็น และค่าใช้จ่ายก็คือตัวโมเดล เอ็นจินสองตัวที่คนส่วนใหญ่จะใช้คือของ DeepSeek เอง: DeepSeek V4 Flash ที่ประมาณ $0.15 ต่อล้านอินพุตโทเค็น และ $0.29 ต่อล้านเอาต์พุตโทเค็นบน OrcaRouter พร้อมคอนเทกซ์ 1M โทเค็นและเอาต์พุตสูงสุด 384K — ไดรเวอร์รายวันที่ถูก — และ DeepSeek V4 Pro ที่ประมาณ $0.44/$0.88 สำหรับงานที่ยาก ทั้งคู่เป็นราคารายการของผู้ให้บริการบน OrcaRouter ส่งต่อโดยไม่มีมาร์กอัป 0% ซึ่งหมายความว่าราคา DeepSeek ที่เปลี่ยนแปลงจะส่งผลถึงฝั่งเราในวันเดียวกันโดยไม่ต้องเจรจาใหม่ รายงานอิสระเกี่ยวกับการใช้งานจริงของ DSH สนับสนุนเรื่องราคาถูก: การทดสอบวันแรกของ The Paper เรียกใช้งานหลายรายการผ่าน DSH ด้วยค่าใช้จ่ายโทเค็นรวมต่ำกว่า ¥3

ข้อแม้ที่ตรงไปตรงมาข้อหนึ่งจากรายงานเดียวกัน: การเปรียบเทียบจากบุคคลที่สามในวันที่สองพบว่า DeepSeek V4 Flash รุ่นเดียวกันทำงานเดียวกันในฮาร์เนสโอเพนซอร์สที่ต่างออกไป ("Pi") โดยใช้โทเค็นประมาณหนึ่งในสามของ DSH ประสิทธิภาพของโทเค็นเป็นผลมาจากการจัดการพรอมต์และบริบทของฮาร์เนส ไม่ใช่แค่ตัวโมเดล และบิลด์ตัวอย่างยังมองเห็นได้ชัดว่ายังไม่เหมาะสมที่สุดในเรื่องนี้ หากค่าใช้จ่ายเป็นปัจจัยตัดสินใจของคุณ จงวัดประสิทธิภาพงานจริงของคุณในฮาร์เนสสองตัวก่อนตัดสินใจ

จุดที่ OrcaRouter เหมาะสมจริงๆ ตรงนี้คือเป็นเลเยอร์โมเดล ไม่ใช่ฮาร์เนส เราไม่ได้โฮสต์ DSH — มันเป็นรันไทม์ที่ทำงานในเครื่อง และไม่มีใครควรขาย DSH แบบโฮสต์ให้คุณ สิ่งที่เราโฮสต์คือโมเดลที่คุณเสียบเข้ากับมัน โดยใช้คีย์เดียวที่มีการเฟลโอเวอร์อัตโนมัติข้ามผู้ให้บริการ ซึ่งสำคัญเป็นพิเศษเพราะ DSH เป็นเวอร์ชันพรีวิวสำหรับนักพัฒนา 0.1: คุณสามารถทดสอบกับทราฟฟิกจริงในขณะที่ยังใช้โมเดลเดิมบนเอนด์พอยต์ที่เสถียร และในวันที่ DSH เปลี่ยนแปลงแบบที่ทำลายความเข้ากันได้ การเข้าถึงโมเดลของคุณก็จะไม่เปลี่ยนตามไปด้วย ลองใช้ฮาร์เนส; เก็บโมเดลไว้บนเราเตอร์

ข้อจำกัดที่ตรงไปตรงมาของพรีวิวเวอร์ชัน 0.1

README ของ DeepSeek เองกล่าวไว้อย่างชัดเจน: DSH อยู่ในช่วง developer preview มีการพัฒนาอย่างรวดเร็ว และจะมีการเปลี่ยนแปลงที่ทำลายความเข้ากันได้ สิ่งนี้หมายความในทางปฏิบัติอย่างไร จากวันแรกๆ ของชุมชนที่ได้ใช้งาน:

• Upgrades will break things. Config files, plugin compatibility and preset formats have already shifted between release candidates; expect to re-verify your setup on each update.

• เอกสารประกอบไม่สมบูรณ์ ส่วนขั้นสูงบางส่วน — เอเจนต์ย่อย เวิร์กโฟลว์ และการติดตามเป้าหมาย — มีเอกสารอธิบายค่อนข้างน้อย และผู้ร่วมพัฒนาที่เพิ่งเริ่มต้นในสัปดาห์แรกหลายคนรายงานว่าต้องอ่านซอร์สโค้ดหรือ GitHub Discussions เพื่อแก้ไขจุดที่ติดขัด

• มันเป็นผลิตภัณฑ์สำหรับนักพัฒนา ไม่ใช่สำหรับผู้บริโภคทั่วไป อินเทอร์เฟซถือว่าคุณคุ้นเคยกับไฟล์ เชลล์ และคีย์ API หัวข้อสรุปของ GeekPark — "มันทำงานให้เสร็จ แต่คุณต้องคอยจับตามอง" — นั้นแม่นยำ

• ในตอนนี้ Windows ยังเป็นพลเมืองชั้นสอง การผสานรวมเชลล์ถือว่าสภาพแวดล้อมเป็นแบบ Unix ในหลายจุด โดยผู้ใช้ Windows รายงานว่าต้องปรับแต่ง pwsh และเจอบั๊กเรื่องพาธเป็นครั้งคราว

• ไม่มีแอปเดสก์ท็อป อินเทอร์เฟซเพียงอย่างเดียวคือ Web UI ในเบราว์เซอร์และ CLI ซึ่งใช้ได้ดีในเทอร์มินัล แต่ไม่ค่อยดีหากคุณต้องการแอปพลิเคชันแบบ docked

• ประสิทธิภาพของโทเค็นยังไม่ได้รับการพิสูจน์ในระดับขนาดใหญ่การเปรียบเทียบ Pi-harness ข้างต้นเป็นเพียงข้อมูลจุดหนึ่ง แต่เป็นสัญญาณเตือนว่าการจัดการพรอมป์ต์และบริบทตามค่าเริ่มต้นยังไม่ได้รับการปรับแต่งอย่างที่ผลิตภัณฑ์ที่โตเต็มที่ควรจะเป็น

เมื่อ DSH เป็นตัวเลือกที่ไม่ถูกต้อง

อีกด้านหนึ่งที่ต้องพูดตามตรง อย่าใช้ DSH สำหรับไปป์ไลน์การผลิตในตอนนี้ — คำมั่นเรื่อง breaking change คือจุดหยุดที่เด็ดขาดสำหรับอะไรก็ตามที่ไม่อาจยอมรับการอัปเดตแฮร์เนสที่เปลี่ยนพฤติกรรมโดยไม่บอกกล่าว อย่าเลือกมันสำหรับทีมที่ไม่คุ้นเคยกับการดีบักพฤติกรรมของเอเจนต์จากเทอร์มินัล ระบบ Trajectory และระบบปลั๊กอินทรงพลัง แต่ก็ตั้งอยู่บนสมมติฐานว่าผู้ใช้มีความรู้ทางเทคนิค และหากสิ่งที่คุณต้องการจริง ๆ คือประสบการณ์โค้ดดิ้งเอเจนต์ที่เสถียรและได้รับการดูแล โดยมีคนอื่นรับผิดชอบงานเชื่อมประสาน เอเจนต์แบบเสียเงินที่ DSH แข่งด้วยก็ยังเป็นทางเลือกที่มีความเสี่ยงต่ำกว่า ข้อเสนอของ DSH คือสำหรับคนที่อยากเป็นเจ้าของแฮร์เนสเอง — เพื่อสลับโมเดล เมานต์เซิร์ฟเวอร์ MCP เขียนเพรสเซ็ต และดูทุกขั้นตอนที่เอเจนต์ทำ

บรรทัดล่าง

คำตอบเชิงปฏิบัติสำหรับคำถามที่ว่า “จะใช้ DeepSeek DSH อย่างไร” ยังไม่เปลี่ยนไปจากวันที่เปิดตัว: ติดตั้ง Node.js รัน `npx @deepseek-ai/dsh web` เปิดพอร์ต 3080 เพิ่ม API key เลือก Standard แล้วเริ่มจากงานเล็กๆ งานหนึ่ง เรียนรู้มุมมอง Trajectory ตั้งแต่เนิ่นๆ เพราะมันคือเครื่องมือดีบักของคุณ มองพรีเซ็ตต่างๆ เป็นแคตตาล็อกเครื่องมือที่แตกต่างกัน ไม่ใช่โมเดลที่แตกต่างกัน และมองทั้งโปรเจกต์เป็นเวอร์ชันตัวอย่าง: มีความสามารถพอที่จะคุ้มค่าต่อการเรียนรู้ แต่ไม่เสถียรพอที่คุณควรเก็บโมเดลที่มันใช้ทำงานไว้หลัง endpoint ที่คุณไว้ใจอยู่แล้ว นั่นคือชั้นที่ OrcaRouter ทำงานอยู่ — DeepSeek V4 Flash และ DeepSeek V4 Pro ในราคารายการของผู้ให้บริการโดยไม่มีการบวกเพิ่ม ใช้คีย์เดียว มีการสลับอัตโนมัติ — เพื่อให้ตัว harness เปลี่ยนไปได้โดยที่โมเดลไม่เปลี่ยนตาม DSH เป็น runtime สำหรับเอเจนต์แบบโอเพนซอร์สที่น่าสนใจที่สุดในปีนี้เท่าที่ผ่านมา มันยังไม่เสร็จสมบูรณ์ และวิธีที่ตรงไปตรงมาในการใช้สิ่งที่ยังไม่เสร็จคือการทำให้แน่ใจว่าส่วนที่อาจพังได้จะไม่ทำให้การเข้าถึงโมเดลของคุณพังไปด้วย