DeepSeek Harness: Was ist DSH, was kann es und was brauchst du?

Geprüft am 9. Oktober 2026

DeepSeek Harness – kurz DSH – ist kein neues Sprachmodell. Es ist die Software-Schicht, die ein Sprachmodell zu einem handlungsfähigen Agenten macht. Der Harness verbindet ein Modell mit Dateien, Shell-Befehlen, Tools, Sessions, Skills, Subagents, Workflows und optional Browser- oder Desktop-Steuerung.

DeepSeek stellt Harness als Public Preview bereit und veröffentlicht den Quellcode unter der MIT-Lizenz. Die zentrale Architekturidee lautet sinngemäß „everything is a plugin“: Modelladapter, Tools, Agent Loop, Speicher und weitere Systembestandteile sind austauschbar aufgebaut.¹²

Was bekomme ich mit DeepSeek Harness?

Bestandteil	Status	Praktische Bedeutung
Web-Oberfläche	Ja	Lokaler Zugriff im Browser
Desktop-/lokaler Betrieb	Ja	Harness läuft auf deinem Rechner
DeepSeek-Modelle	Ja	Offiziell unterstützt
Andere Cloud-Modelle	Ja	u. a. OpenAI, Anthropic, Kimi/Moonshot, Z.ai/GLM
Eigene kompatible Endpunkte	Ja	OpenAI-/Anthropic-kompatible APIs
Dateizugriff	Ja	Agent kann Projektdateien lesen und verändern
Shell/Terminal	Ja	Befehle ausführen, Tests starten, Builds prüfen
MCP	Ja	Externe Tools und Dienste anbinden
Skills	Ja	Wiederverwendbare Fähigkeiten und Instruktionen
Subagents	Ja	Aufgaben an untergeordnete Agenten delegieren
Workflows	Ja	Mehrstufige Abläufe definieren
Scheduling	Erinnerungen	Einmalig, täglich, wöchentlich oder Cron; Zustellung ist keine Jobausführung
Browser-Steuerung	Optional/experimentell	Browser über unterstützte Provider bedienen
Computer Use	Optional	Desktop über einen Provider steuern
Sandbox/Approvals	Ja	Risiko reduzieren, aber keine absolute Isolation
Python SDK	Ja	Programmgesteuerte Integration

Die Produktseite beschreibt mehrere Agent-Modi. Standard Mode stellt eine breite Tool-Ausstattung bereit. Code Mode lässt das Modell Tool-Aufrufe stärker programmatisch orchestrieren. Minimal Mode reduziert die Umgebung für reproduzierbare Tests auf wenige Kernwerkzeuge. Creator Mode richtet sich an Nutzer, die Harness selbst erweitern oder eigene Plugin-Kombinationen erstellen wollen.¹

Der wichtigste Punkt: DSH ist nicht an DeepSeek gebunden

Der Name kann den Eindruck erwecken, dass nur DeepSeek-Modelle funktionieren. Die aktuelle Provider-Dokumentation zeigt jedoch ein deutlich offeneres Konzept.

Unterstützt werden unter anderem:

• DeepSeek
• OpenAI
• Anthropic
• Moonshot/Kimi
• Z.ai/GLM
• eigene kompatible Endpunkte

Für benutzerdefinierte Anbieter kann DSH unter anderem OpenAI Chat Completions, OpenAI Responses oder Anthropic Messages als Protokoll verwenden.³

Abo und API sind getrennt. Ein ChatGPT- oder Claude-Abo ist kein automatischer Modellzugang für DSH. Die aktuelle Provider-Anleitung erwartet API-Zugangsdaten oder kompatible Endpunkte; OAuth-Anmeldung wie bei Codex wird dort derzeit nicht unterstützt. Die Modellwahl gilt für neue Sessions, während bereits gestartete Sessions ihre gespeicherte Modell-ID behalten.³

Provider auf dem Mac einrichten – mit reproduzierbarem Test

Öffne im laufenden Web UI Settings → Models. Unter DeepSeek hinterlegst du einen DeepSeek-API-Key; mit Add model provider → Third-party model provider wählst du eingebaute Anbieter wie anthropic, openai, moonshotai (Kimi) oder zai (GLM). Für Ollama, einen Router oder dein eigenes Gateway verwende Custom model API. Ein Custom Provider benötigt eine eindeutige kleine Provider-ID, die Base URL, genau eines der Protokolle openai-completions, openai-responses oder anthropic-messages, passende Zugangsdaten und mindestens eine echte Modell-ID. Ein Endpoint, der zwei Protokolle anbietet, benötigt zwei Provider-Definitionen.³

Mit Fetch available models kannst du eine Modellliste abrufen; falls der Provider keine kompatible /models-Antwort liefert, trage die Modell-ID manuell ein. Nicht einfach „funktioniert“ annehmen: Starte eine kurze Chat-Session und führe anschließend eine ungefährliche Datei-/Tool-Aufgabe in einem Wegwerf-Ordner aus. Bei MISSING_CREDENTIAL ist der Key nicht gesetzt, bei UNKNOWN_MODEL stimmt die gewählte Modell-ID nicht. Manche kompatiblen Endpoints lehnen developer-Rollen oder max_completion_tokens ab; die DSH-Anleitung dokumentiert dafür compat.supportsDeveloperRole: false und compat.maxTokensField: max_tokens in der Provider-Konfiguration.³

Ablage der Schlüssel: Die Weboberfläche zeigt hinterlegte Keys nur redigiert, aber die Zugangsdaten liegen nach Projektangabe unter $DSH_HOME/.credentials.yaml. Die Web-Konfiguration befindet sich standardmäßig unter $DSH_HOME/profiles/web/cordis.patch.yml und referenziert Credentials. Das ist keine Zusage, dass Backups, Dateizugriff oder das Host-Betriebssystem die Secrets automatisch schützen. Die Datei nicht committen, Zugriffsrechte einschränken und Konfigurationseinträge nicht vollständig überschreiben.³

Der Vorteil liegt in der Trennung von Modellzugang und Agent-Laufzeit: Ein anderer Anbieter erfordert nicht den Austausch des kompletten Harness.

So lässt sich beispielsweise dasselbe Repository mit DeepSeek, Claude, GPT, Kimi oder GLM bearbeiten, während Dateizugriff, Tools, Sessions und Workflows gleich bleiben.

Was brauche ich für die Installation?

Für den aktuellen Node-basierten Web-Client verlangt das Repository Node.js ^22.19.0 oder >=24.0.0.²

Der einfachste Start erfolgt mit:

npx @deepseek-ai/dsh web

Die Weboberfläche startet laut offiziellem README standardmäßig unter http://127.0.0.1:3080 und öffnet deinen Browser. Mit npx @deepseek-ai/dsh web --no-open startet nur der Server. Loopback ist nicht gleich Offline: DSH wird lokal bedient, sendet aber Prompts an den gewählten Cloud-Modellanbieter und kann Plugins mit Netzwerkzugriff ausführen. Die npm-Ausführung lädt zunächst Software aus dem Netz.²³

Minimal benötigst du

1. einen Mac, Windows- oder Linux-Rechner,
2. eine passende Node.js-Version,
3. DeepSeek Harness,
4. einen kompatiblen Modellanbieter oder API-Endpunkt,
5. einen Arbeitsordner, auf den der Agent zugreifen darf.

Eine starke lokale GPU ist nicht erforderlich, wenn das Modell über eine Cloud-API läuft.

Brauche ich einen DeepSeek-API-Key?

Nicht zwingend.

Wenn du DeepSeek als Modellanbieter nutzt, benötigst du den entsprechenden DeepSeek-Zugang. Wenn du dagegen einen Custom Provider konfigurierst, verwendest du dessen API-Key und Base URL.³⁴

Damit ist Harness eher mit einem offenen Agent-Frontend beziehungsweise einer Agent-Runtime vergleichbar als mit einem einzelnen Modellprodukt.

Was kostet DeepSeek Harness?

Der Quellcode von DSH steht unter der MIT-Lizenz.²

Das bedeutet aber nicht, dass ein kompletter Agent-Workflow kostenlos ist. Die Modellinferenz wird getrennt abgerechnet:

• DeepSeek-Modell → Kosten beim DeepSeek-Service
• OpenAI-Modell → Kosten bei OpenAI
• Anthropic-Modell → Kosten bei Anthropic
• anderer Provider → Kosten beim jeweiligen Anbieter
• lokaler kompatibler Endpoint → Hardware- und Stromkosten statt API-Abrechnung

DeepSeek unterscheidet in seinen Nutzungsbedingungen ausdrücklich zwischen eigenen Modellen und Custom-Model-Services.⁴

Kostenlogik: Die MIT-lizenzierte Runtime ist nicht die API-Flatrate. Cloud-Provider rechnen Token, Tool-Calls oder weitere Dienste nach ihren aktuellen Tarifen ab.

Das ist gerade bei Agenten wichtig, weil mehrstufige Tool-Loops deutlich mehr Kontext und Tokens verbrauchen können als einfache Chats. DSH besitzt ein eigenes Token-Meter-System zur Beobachtung solcher Verbräuche.⁵

Warum ist „Everything is a Plugin“ mehr als Marketing?

DeepSeek Harness baut auf dem Framework Cordis auf. Das System verwaltet Komponenten als Plugins mit definierten Abhängigkeiten und Lebenszyklen.⁶

Dadurch können unter anderem ausgetauscht oder erweitert werden:

• Modelladapter
• Tools
• Agent Loop
• Storage
• Session-Mechanik
• Sandboxing
• Benutzeroberfläche
• zusätzliche Dienste

Für Entwickler ist das interessant, weil Änderungen nicht zwangsläufig einen kompletten Fork der Anwendung erfordern.

MCP ist direkt in den Agenten-Workflow eingebaut

DSH unterstützt das Model Context Protocol (MCP). Ein MCP-Server kann Tools bereitstellen, die anschließend im normalen Tool-Katalog des Harness erscheinen.⁷

Damit lassen sich zum Beispiel anbinden:

• GitHub
• Datenbanken
• Browser-Tools
• interne APIs
• lokale Dienste
• Wissenssysteme

Die MCP-Integration ist jedoch nicht vollständig deckungsgleich mit jeder MCP-Funktion. Bestimmte Protokollfunktionen werden laut aktueller Dokumentation noch nicht unterstützt.⁷

Subagents: Aufgaben auf mehrere Agenten verteilen

DeepSeek Harness besitzt ein eigenes Subagent-System mit Lifecycle- und Delegationsmechanismen.⁸

Ein Hauptagent kann damit zum Beispiel:

1. das Repository analysieren,
2. einen Subagenten die Tests prüfen lassen,
3. einen zweiten Subagenten die Architektur untersuchen lassen,
4. einen dritten Subagenten für Recherche einsetzen,
5. die Ergebnisse anschließend zusammenführen.

Diese Architektur ist technisch interessant, sollte aber nicht mit vollständig ausgereifter Enterprise-Orchestrierung verwechselt werden. Harness befindet sich weiterhin in einer Preview-Phase.⁹

Scheduling in DSH: Erinnerungen sind kein autonomer Job-Runner

Die aktuelle offizielle Anleitung für DSH-Automation beschreibt sitzungsgebundene Erinnerungen, keine standardmäßig überwachten, erfolgreichen Hintergrundjobs. Die Web-Version enthält den Host Schedule Service und den Bereich Automation tasks bereits im ausgelieferten Web-Profil. Die Presets standard, cordis und ptc stellen schedule_create, schedule_list, schedule_update und schedule_delete bereit; minimal und delegierte Subagents haben diese Werkzeuge nicht. Ein zusätzlich aktiviertes Cron-Plugin ist nicht die generelle Voraussetzung für die im aktuellen Web-Profil dokumentierten Erinnerungen.¹⁰

Du kannst eine Uhrzeit, tägliche/wöchentliche Wiederholung, ein festes Intervall oder einen fünfteiligen Cron-Ausdruck mit expliziter IANA-Zeitzone festlegen. Beispiel für einen nachvollziehbaren Test im Web UI:

1. Im eigenen Arbeitsordner eine Session eröffnen und Erinnere mich täglich um 09:00 Uhr Europe/Berlin, den Build-Status von Projekt X zu kontrollieren. eingeben.
2. Unter Automation tasks prüfen, ob die Regel als täglich / Europe/Berlin gespeichert wurde. Das ist ein Reminder, kein CI-Workflow.
3. Eine kurze Test-Erinnerung anlegen und prüfen, ob sie als Nachricht in der ursprünglichen Session zugestellt wird. Den Host dafür geöffnet und erreichbar halten.
4. Den Eintrag und die Zustellhistorie ansehen. Eine erfolgreiche Zustellung bestätigt nicht, dass ein Modell Tests ausgeführt, GitHub verändert oder einen Bericht erstellt hat.

Der Host kann anstehende Erinnerungen beim Fälligkeitstermin auch in eine gerade nicht geöffnete Session zustellen. Ist der Host beendet, findet bis zum Neustart keine Zustellung statt. Bei verpassten wiederkehrenden Terminen wird laut Dokumentation nur der letzte fällige Eintrag nachgeholt. Bei Fehlern können Zustellungen erneut erscheinen; Exactly-once-Ausführung ist nicht zugesagt. Für Sommer-/Winterzeit muss die Zone als Europe/Berlin hinterlegt sein, statt eine konstante UTC-Verschiebung zu erraten.¹⁰

DSH in einen echten Agenten-Workflow integrieren

Für regelmäßige Codeänderungen, Build-Checks oder Veröffentlichungen brauchst du eine zusätzliche Ausführungsebene, die Aufträge tatsächlich startet, Erfolg prüft und Wiederholungen kontrolliert. Ein sinnvoller Aufbau ist:

• Scheduler/Orchestrator: erzeugt zum Termin genau einen Auftrag mit eindeutiger Job-ID und Übergabestatus;
• DSH über ACP: erhält einen expliziten Prompt in einem definierten, berechtigten Workspace; die ACP-Referenz beschreibt session/new, session/prompt, session/update, session/cancel und session/close;
• Ergebnisprüfung: verlangt Test-Exitcode, überprüfbare Artefakte und einen freigegebenen Commit/PR; erst danach Job als erledigt markieren;
• Sicherheit: maximal ein Schreib-Worker pro Repository, begrenzte Rechte, kontrollierte Wiederholungen und keine ungeschützten Credentials.

Hermes oder ein externer Scheduler können diese Orchestrierungsrolle übernehmen – das ist ein Architekturvorschlag, keine integrierte Hermes↔DSH↔Plane-Funktion, die hier getestet wurde. Der DSH-Reminder allein ersetzt weder deinen zentralen Scheduler noch eine überprüfbare Job-Queue. ACP ist ein JSON-RPC-stdio-Protokoll für einen vertrauenswürdigen Controller, keine eigenständige öffentliche Webhook-API.¹¹

Quellen: DSH Schedule User Guide, ACP-Protokoll. Die beschriebenen Integrations- und Erinnerungstests sind nicht auf einem Mac dieser Redaktion ausgeführt.

Browser- und Desktop-Steuerung

Mit Browser Use kann Harness einen Browser über einen konfigurierten Provider steuern. Die Dokumentation nennt unter anderem Integrationen über Playwright MCP, Chrome DevTools MCP und Stagehand.¹²

Zusätzlich existiert eine separate Computer Use-Schnittstelle für Desktop-Steuerung.¹³

Damit nähert sich DeepSeek Harness einem allgemeinen Computer-Agenten und ist nicht auf Code beschränkt.

Wie sicher ist DeepSeek Harness?

Hier ist die offizielle Sicherheitsdokumentation wichtiger als jede Produktbeschreibung.

DeepSeeks offizielle Sicherheitswarnung erklärt ausdrücklich, dass es sich um experimentelle Developer-Preview-Software ohne Security-Audit handelt. Für untrusted Repositories empfiehlt das Projekt eine Wegwerf-VM, einen Container oder eine isolierte Umgebung, zusätzlich zu Backups und minimalen Rechten; Freigaben und Sandboxing allein garantieren keine Sicherheit.⁹

Ein Agent kann – abhängig von deinen Freigaben – unter anderem:

• Dateien lesen,
• Dateien verändern,
• Shell-Befehle ausführen,
• Prozesse starten,
• Plugins laden,
• auf Netzwerkdienste zugreifen,
• Credentials verwenden.

DSH stellt Sandboxing, Permissions und Approval-Mechanismen bereit. Die Dokumentation macht aber ebenfalls klar, dass diese Maßnahmen keine vollständige Isolation garantieren.¹⁴

Sinnvolle Sicherheitsregeln für den ersten Test

• nur in einem Wegwerf-Repository testen,
• Git vor jedem Experiment sauber committen,
• keine privaten SSH-Keys oder Produktiv-Credentials freigeben,
• riskante Shell-Befehle bestätigen lassen,
• Community-Plugins vor Installation prüfen,
• bei Browser-/Computer-Control besonders restriktive Rechte nutzen.

ACP-Profil für Editoren

DeepSeek dokumentiert eigene Startprofile für Web, Headless, SDK und ACP. Eine Editor-Integration, die das Agent Client Protocol unterstützt, kann das dafür vorgesehene Profil nutzen:

dsh --profile acp

Das startet den ACP-Dienst, wählt aber kein anderes Sprachmodell. Der Editor muss das Protokoll unterstützen und den Prozess verwalten. Provider-Konfiguration und Tool-Freigaben bleiben beim Harness. Teste die Verbindung zuerst mit einem Wegwerf-Repository ohne Zugangsdaten; eine erfolgreiche Chatantwort beweist noch keine sichere Dateibearbeitung. ⁶

Automatisierungsrahmen: dsh --profile acp eröffnet eine Verbindung für einen separaten Controller, startet jedoch ohne eintreffendes session/prompt keinen regelmäßigen Job. Die offiziellen session/update-Signale dokumentieren Agentenaktivität; der Controller muss Testresultate und externe Seiteneffekte zusätzlich verifizieren.¹¹

DeepSeek Harness vs. Claude Code, Codex oder Hermes

Der entscheidende Unterschied liegt weniger beim Modell als beim Produktdesign.

Ein fertiger Coding-Agent integriert Modell, Agent Loop und Tooling vergleichsweise eng.

DeepSeek Harness legt den Schwerpunkt stärker auf eine austauschbare Agent-Runtime.

Bereich	DeepSeek Harness	Typischer geschlossener Coding-Agent
Modellwechsel	stark vorgesehen	häufig stärker integriert
Eigene Provider	zentraler Bestandteil	unterschiedlich
Plugin-Architektur	sehr offen	meist begrenzter
MCP	integriert	je nach Produkt
Scheduling	Erinnerungen eingebaut; Job-Lauf extern absichern	unterschiedlich
Subagents	eingebaut	unterschiedlich
Eigenes Runtime-Hacking	ausdrücklich vorgesehen	meist weniger
Einrichtungsaufwand	höher	meist geringer
Preview-Risiko	aktuell hoch	produktabhängig

Für wen sich die Runtime rechnet

Der Nutzen entsteht, wenn du Provider wechselst, eigene Tools einbindest oder den Agent Loop selbst anpasst. Für reinen DeepSeek-Chat ist die zusätzliche Runtime unnötig.

Für einen aussagekräftigen Test legst du drei Aufgaben mit bekannten Ergebnissen in einem Wegwerf-Repository an: Modul erklären, einen Fehler korrigieren, Tests ausführen. Vergleiche danach zwei Provider bei identischen Aufgaben. Zähle korrekt erledigte Aufgaben, unerwünschte Dateiänderungen, Tool Calls, Tokens und Laufzeit. Ein Agent, der schneller antwortet, aber den Test nicht besteht, ist nicht die bessere Wahl.

Die Cordis-Architektur ist offen, die Preview bleibt jedoch sicherheitskritisch. Freigaben, Tools und Arbeitsverzeichnis gehören bewusst begrenzt. ²⁶ Passende Modellinformationen bietet DeepSeek V4.1 Flash.

Verwendete Primärquellen

Footnotes

1. DeepSeek: Produktseite ↩ ↩²

2. DeepSeek: README ↩ ↩² ↩³ ↩⁴ ↩⁵

3. DeepSeek: Provider-Handbuch ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶ ↩⁷

4. DeepSeek: Datenverarbeitung ↩ ↩²

5. DeepSeek: Token Meter ↩

6. DeepSeek: Architektur ↩ ↩² ↩³

7. DeepSeek: MCP ↩ ↩²

8. DeepSeek: Subagents ↩

9. DeepSeek: SAFETY.md ↩ ↩²

10. DeepSeek: Scheduling ↩ ↩²

11. DeepSeek: ACP package contract ↩ ↩²

12. DeepSeek: Browser Use ↩

13. DeepSeek: Computer Use ↩

14. DeepSeek: Sandbox ↩