DeepSeek Harness, „Töten“ der Agent-Black-Box

Text | Hao Xin, Gao Xiaoyang

Redaktion | Wang Pan

In letzter Zeit erlebt DeepSeek immer wieder überraschende Wendungen.

Am 12. August, ohne Pressekonferenz und ohne vorherige Ankündigung, hat DeepSeek seine API-Dokumente stillschweigend aktualisiert, und die offizielle Version des Modells DeepSeek-V4-Pro mit der Bezeichnung „0813“ wurde spät in der Nacht unbemerkt online gestellt.

Neben der hohen Aufmerksamkeit und den hohen Erwartungen bestehen eine Diskrepanz zwischen der tatsächlichen Nutzungserfahrung und den offiziellen Benchmark-Werten sowie Zweifel an der unmittelbar nach der Veröffentlichung angekündigten Preiserhöhung.

Am 13. August, weniger als 24 Stunden nach der Veröffentlichung des neuen Modells, wurden die Banner auf der Startseite der DeepSeek-Website und die Ankündigungen auf der Open-Plattform plötzlich entfernt. Der Modellname in der API-Dokumentation blieb unverändert, Entwickler können die Modelle weiterhin normal aufrufen, aber die offizielle Seite blieb schweigsam.

Später fanden einige Entwickler heraus, dass DeepSeek im Code-Repository auf der Hugging Face-Hintergrundseite fieberhaft Fehler behebt, vermutlich weil es schwerwiegende Abweichungen zwischen der Front-End-Schnittstelle, dem Back-End-Inferenz-Stack und der Gewichtungskonfiguration gab, die zu einem misslungenen Nutzungserlebnis führten.

Am selben Abend veröffentlichte DeepSeek erneut eine Ankündigung, die die Veröffentlichung der offiziellen Version von V4 Pro bestätigte, und gleichzeitig die Entwicklervorschauversion von DeepSeek Harness als Open-Source-Software veröffentlichte – alles kehrte wieder in den eigenen Einflussbereich zurück.

DeepSeek hat einst eine Formel aufgestellt: Model+Harness=Agent. Das bedeutet, dass für einen Agenten, der Aufgaben ausführen kann, das Modell allein nicht ausreicht. Die kontrollierbaren, beobachtbaren und nachvollziehbaren Eigenschaften von Harness ergänzen die fehlende Hälfte des Modells.

Das Modell ist das Gehirn, das für Denken, Schlussfolgern und das Verstehen von Absichten zuständig ist. Aber ein reines Sprachmodell kann nur Text ausgeben, keine Dateien direkt bearbeiten, keine Datenbanken ändern und keine Webseiten durchsuchen. Harness ist der „Körper“ und das „Nervensystem“: Es stellt alles bereit, was das Modell für die Interaktion mit der Außenwelt benötigt, einschließlich Tool-Aufrufen, Lesen und Schreiben von Dateien, Sandbox-Umgebungen, Berechtigungsverwaltung und Aufgabenorchestrierung.

Ohne Harness ist das Modell nur eine sprechende Engine, aber kein Agent, der echte Arbeit leisten kann. DeepSeek versucht, die Leistung des Modells durch das selbst entwickelte Harness-System maximal auszuschöpfen.

Aus unseren Testergebnissen geht genau das hervor. Mit Unterstützung von DeepSeek Harness ist die Antwortgeschwindigkeit der offiziellen Version von DeepSeek V4 Pro höher, und die Cache-Trefferquote ist um 1 % gestiegen im Vergleich zur Integration in Claude Code.

Entzauberung und Kampf um das Paradigma

„Alles ist Plugin“ ist das zentrale Designkonzept von DeepSeek Harness. Einfach ausgedrückt: Vom Modell über Tools bis hin zum zentralen Agent-Loop werden alle Bestandteile in unabhängige und kombinierbare Plugins aufgeteilt.

Dieses Konzept wird durch das Paradigma der „raumzeitlichen Kombinierbarkeit“ gestützt, das gemeinsam von der Peking-Universität und DeepSeek vorgeschlagen wurde. Dieses Paradigma unterteilt die Agent-Komponenten in zwei Dimensionen.

Die erste Dimension ist die zeitliche Kombinierbarkeit: Durch den Mechanismus der „umkehrbaren Effekte“ zeichnet das System automatisch die Nebenwirkungen nach der Deinstallation von Komponenten auf und macht sie rückgängig. Der Ladeprozess bestimmt den Deinstallationsprozess, wodurch die langfristige Stabilität des Systems gewährleistet wird. Die zweite Dimension ist die räumliche Kombinierbarkeit: Durch „reaktive Ko-Effekte“ wird deklaratives Abhängigkeitsmanagement realisiert. Komponenten müssen nur ihre Anforderungen deklarieren, und zur Laufzeit werden Abhängigkeitsänderungen automatisch koordiniert, sodass dynamische Aktivierung und Deaktivierung möglich sind.

Beide Dimensionen werden in einem einheitlichen Kontext, dem Zustandspeicher, den Lebenszyklusgrenzen und der Abhängigkeitsumgebung zusammengeführt. Dadurch kann Harness einen „Kern ohne Privilegien“ realisieren: Alle Komponenten, einschließlich der Hauptschleife des Agenten, können ausgetauscht werden, und Entwickler können sie über Konfigurationsdateien frei kombinieren. Dieses Konzept weist den Weg für den Aufbau einer flexiblen und zukunftsorientierten Agent-Infrastruktur.

Während Giganten wie OpenAI und Anthropic ihre eigenen Harness definieren, verfolgt DeepSeek einen einzigartigen Ansatz.

Die Strategie von OpenAI und Anthropic ist die „vertikale Integration“: Durch die Entwicklung von Harness mit extremem Nutzungserlebnis, das eng an die eigenen Modelle gebunden ist, festigen sie ihre Vorteile auf der KI-Anwendungsebene. Die Strategie von DeepSeek hingegen ist die „horizontale Ausweitung“: Es begnügt sich nicht damit, nur ein hervorragender Modellanbieter zu sein, sondern versucht, durch die Open-Source-Veröffentlichung eines modellneutralen, hochgradig modularen Agent-Grundstandards zur Infrastruktur für die nächste Generation von KI-Anwendungen zu werden.

Die im Internet verbreitete Liste der ausgewählten Projekte für die interne Testphase von DeepSeek Harness sendet ebenfalls ein klares Signal: Die ausgewählten Projekte konzentrieren sich stark auf den Infrastrukturbereich, der die Fähigkeiten von Agenten stärkt. Die Projekte drehen sich hauptsächlich um MCP-Plugins, Code-Agenten, Laufzeitumgebungen, Orchestrierungsframeworks, visuelle UIs und die Mehr-Agenten-Steuerung – und zielen direkt auf die Kernprobleme ab, die bei der Umsetzung von Agenten in der realen Welt auftreten.

Die Reihe von Maßnahmen von DeepSeek kann als sorgfältig konzipierte „Entzauberungsbewegung“ betrachtet werden. Die Veröffentlichung von Harness als Open-Source-Software und die starke Förderung verschiedener Infrastruktur-Plugins zielen im Wesentlichen auf eines ab: Die gesamte Methodik und der Quellcode für die „Entwicklung eines leistungsstarken Agenten“ der Öffentlichkeit zugänglich zu machen.

Vor diesem Zeitpunkt ähnelten die Harness von OpenAI und Anthropic eher einer „Black Box“, deren interne Optimierungen als streng geheim galten. Die Entwicklung von Agent-Produkten wurde als eine Art „Privileg“ angesehen. Mit Open-Source und der Cordis-Plugin-Theorie löst DeepSeek diese Black Box aktiv auf und beweist, dass die Stärke eines Agenten nicht in einem geheimnisvollen Kern liegt, sondern in einer Reihe von kombinierbaren und austauschbaren technischen Komponenten.

Wenn Harness vollständig entzaubert wird und zu einer transparenten, jederzeit austauschbaren Komponente wird, ist das einzige Element in der gesamten Wertschöpfungskette, das nicht standardisiert werden kann und sich ständig weiterentwickelt, das unterste „Modell“ selbst.

Wenn man die vier Maßnahmen von DeepSeek – Modell, Open-Source, Harness und Preiserhöhung – zusammen betrachtet, wird das Ziel von DeepSeek sehr deutlich: Zuerst wird ein Ökosystem aufgebaut, dann ein Standard festgelegt, und schließlich wird die kommerzielle Wertschöpfung mit der stärksten Modellleistung realisiert.

Harness und Open-Source sind wie kostenlos gebaute Autobahnen, die in der Anfangsphase Verkehr anziehen. Wenn der Verkehr groß genug ist, ist die Erhöhung des Kraftstoffpreises die effizienteste Methode zur kommerziellen Umsetzung.

Entfernen von Prompts, Szenarien auf einmal funktionsfähig

In dem gestrigen Artikel haben wir sieben komplexe Aufgaben von DeepSeek-V4-Pro-0813 getestet, nur die Aufgabe zu *Der Herr der Ringe* wurde nicht vollständig abgeschlossen. Um Zeit zu sparen, haben wir nur die ersten drei Sätze des ersten Kapitels von *Der Herr der Ringe* angegeben.

Praxis-Test der offiziellen Version von DeepSeek-V4-Pro: Ein Berg braucht keine Höhe, sondern eine „Brücke“ um berühmt zu werden.

Gerade als DeepSeek Harness veröffentlicht wurde, haben wir diesen vollständigen Test in dem hauseigenen Harness von DeepSeek ausgeführt, um zu sehen, welche Synergien die hauseigenen Tools in Kombination mit dem hauseigenen Modell erzeugen können.

Der Installationsprozess wird hier nicht im Detail beschrieben. Es wird empfohlen, npm (der Standard-Paketmanager von Node.js, der verschiedene Drittbibliotheken für Projekte installiert und verwaltet – man kann ihn als einen offenen App-Markt verstehen) zu verwenden, was die Aktualisierung und Installation anderer Plugins erleichtert. Sie können direkt `npx @deepseek-ai/dsh web` ausführen, um das System zu starten. Wenn es hängen bleibt, führen Sie zuerst `npm install -g @deepseek-ai/dsh` aus und führen dann den vorherigen Befehl erneut aus, um es reibungslos zu starten.

Beim ersten Öffnen ähnelt es den meisten Agenten, aber bei DeepSeek Harness ist das Interface vorerst noch sehr minimalistisch gestaltet.

Nachdem die Umgebung eingerichtet ist, beginnen wir mit dem heutigen Test. Der Benchmark zu *Der Herr der Ringe* prüft nicht, ob „man einen Pelikan zeichnen kann“, sondern die vollständige Kette „einen literarischen Text verstehen → eine Welt begreifen → die Welt programmatisch aufbauen“ – es ist eine der anspruchsvollsten Agent-Prüfungen in der Branche derzeit.

Warum ist der gestrige Test nicht gültig? Weil wir damals nur die ersten drei Sätze angegeben haben, während Karpathy Opus 5 den ersten Absatz des Originalwerks gegeben hat. Heute ergänzen wir den vollständigen Text: Den vorderen Teil des ersten Kapitels, von Bilbos Ankündigung der 111. Geburtstagsfeier über die Gespräche in Hobbingen bis zu der Vergangenheit von Frodo, insgesamt 1817 Wörter und 23 Absätze – ohne eine Änderung am Originaltext.

Beim ersten Test haben wir nach dem Prinzip „Tests müssen streng sein“ den Prompt lückenlos formuliert: Den Originaltext von 1817 Wörtern, eine Liste der Szenenelemente (Höhlenhäuser mit runden Türen, lange Tische für das Fest mit Essen, Gäste, die sich lebhaft unterhalten), sowie Anforderungen an die Kameraführung, Beleuchtung und Proportionen – insgesamt fünf zwingende Anforderungen.

Das Ergebnis war enttäuschend: Das erste generierte Ergebnis war sehr grob und die Erzählung unvollständig. Das Szenario wurde zwar aufgebaut, aber es war weit entfernt von einer „Geburtstagsparty in Hobbingen“. Bei der Darstellung war die Kameraführung zerrissen, das Bild wirkte wie ein halbfertiges Werk, das unter Zeitdruck entstanden ist. Es gab schwere Überlappungsfehler: Die kleinen Figuren auf dem Hügel sahen aus wie eine Reihe von eingesteckten Lollis. Wir haben die Ursache analysiert und festgestellt, dass der Prompt zu lang war und die aufgelisteten Szenenanforderungen die Entfaltung des Modells eingeschränkt haben.

Beim zweiten Test haben wir den Prompt auf das Ziel reduziert: Den Originaltext verstehen, mit Three.js eine 3D-Welt der Geburtstagsparty in Hobbingen aufbauen, die Kameraführung dem Rhythmus des Originaltexts folgen lassen und das Ergebnis als vollständige, ausführbare HTML-Datei speichern. Alle Szenenelemente, Beleuchtungs- und Proportionsanforderungen wurden entfernt.

Das Ergebnis hat sich vollständig verbessert.

Das Szenario war auf einmal vollständig funktionsfähig: Höhlenhäuser, Bilbo, Frodo, die langen Festtische, die Hobbits, die vor der Kneipe diskutieren – alles war vorhanden. Die Figuren wiesen nur geringfügige Schwebefehler und Überlappungen auf, sodass man eindeutig erkennen konnte, dass es sich um Hobbingen handelt. Die Kameraführung und Erzählung waren schlüssig: Aus der Vogelperspektive auf Hobbingen wurde die Kamera langsam auf Bilbo zugesteuert, dann schwenkte sie über die diskutierenden Leute und umkreiste schließlich die langen Festtische.

Bei demselben Modell und demselben Originaltext führte ein detaillierter, sorgfältig formulierter Prompt zu einem Misserfolg, während ein einfaches, direktes Ziel zu einem Ergebnis über dem Durchschnitt führte. Es scheint, dass die Top-Modelle heutzutage keine ausführlichen Prompts mehr benötigen – man muss ihnen nur das Ziel in klaren, einfachen Worten mitteilen. Zu viele Details führen stattdessen zu schlechteren Ergebnissen.

Das ist kein Einzelfall: Als GPT-5.6 Sol veröffentlicht wurde, gab es Rückmeldungen aus der Community, dass sorgfältig optimierte Prompts und abgestimmte Ablauf-Skills das Modell in eine Endlosschleife führen können.

Diese Erkenntnis ist besonders erwähnenswert: Die Funktion von Prompts wandelt sich von „Drehbuch schreiben“ zu „Ziel festlegen“. Die Ära, in der man lange Texte als Prompts für Top-Modelle verfasst hat, ist womöglich endgültig vorbei.

Ist DeepSeek Harness tatsächlich leistungsfähig?

Kehren wir zum heutigen Thema zurück: Wie ist die Leistung von DeepSeek Harness in Kombination mit dem hauseigenen V4 Pro?

Schnellere Antworten. Bei demselben Test war die Antwortgeschwindigkeit in DeepSeek Harness höher als bei der Integration in Claude Code am Vortag.

Die Cache-Trefferquote ist um einen Prozentpunkt gestiegen. Am Vortag lag sie bei der Integration in Claude Code bei 98 %, in DeepSeek Harness bei 99 %. Diese Verbesserung wirkt gering, aber bei Aufgaben mit langem Kontext wirkt sich jeder Prozentpunkt der höheren Cache-Trefferquote direkt positiv auf die Kosten und die Generierungsgeschwindigkeit aus.