DeepSeek Harness hat ein weiteres Update veröffentlicht.
Am 20. August hat das Projekt v0.1.0-rc.8 freigegeben – nur zwei Tage nach dem vorherigen Release Candidate. Das Update bringt ein besseres Handling für Multimodalität, verbesserten Support für Subagents, Fixes für das Windows-Terminal, schnellere Tool-Calls und eine Reihe von Performance-Änderungen.
Auf dem Papier sieht es nach einem ziemlich normalen Release aus.
Aber DeepSeek Harness erhält bei Entwicklerinnen und Entwicklern wegen eines größeren Grundes mehr Aufmerksamkeit: Viele fragen inzwischen, ob der Harness um ein Modell herum fast genauso wichtig ist wie das Modell selbst.
Damit lohnt sich rc.8 genauer anzuschauen.
Wenn du neu im Projekt bist, kannst du dir außerdem die offizielle DeepSeek Harness-Einführung ansehen.
DeepSeek Harness ist mehr als eine Coding-UI
DeepSeek beschreibt das Projekt mit einer einfachen Idee:
Agent = Modell + Harness
Das Modell übernimmt Reasoning und Generierung. Der Harness übernimmt alles, was darum herum passiert: Tools, Terminals, Planung, Berechtigungen, Sessions, Storage, Subagents und die Ausführung von Aufgaben.
Ein weiteres Kernprinzip lautet „Everything is a Plugin“.
Das bedeutet: DeepSeek Harness ist weniger als fest verdrahteter Coding-Assistent gedacht, sondern eher als modularer Agent-Runtime.
Darum vergleichen Entwickelnde es auch immer wieder mit Claude Code, Codex, OpenCode und ähnlichen Tools.
Die Frage lautet nicht mehr nur:
Welches Modell ist besser?
Sondern auch:
Welches Umfeld hilft dem Modell, besser zu arbeiten?
Frühe Community-Diskussionen rund um DeepSeek-Modelle zeigen bereits, dass sich dasselbe Modell je nach Harness spürbar unterschiedlich anfühlen kann.
Multimodal-Support wird besser
Eine der größten Änderungen in rc.8 ist der verbesserte Multimodal-Support.
Der DeepSeek-Modell-Adapter kann nun für native Bildanfragen konfiguriert werden. Befehle wie /goal und /plan unterstützen Text- und Bild-Input, während das @-Menü Dateien und Sessions leichter referenzieren kann.
Das Update behebt außerdem Fehler, die durch zu große Bilder oder zu viel angesammelte Bilddaten in längeren Gesprächen verursacht wurden.
Damit ist der Harness deutlich besser für Workflows mit Screenshots, Diagrammen, UI-Mockups und anderen visuellen Inputs gerüstet.
Es gibt aber eine wichtige Einzelheit.
Das bedeutet nicht, dass DeepSeek V4 selbst plötzlich zu einem nativen Vision-Modell geworden ist.
Die öffentliche API-Dokumentation von DeepSeek beschreibt seinen eigenen Chat-Completions-Pfad weiterhin als textbasiert. Die Änderung in rc.8 ist besser so zu verstehen, dass die multimodale Pipeline innerhalb von Harness verbessert wird – insbesondere dann, wenn Nutzer Modelle oder Provider anschließen, die Bild-Input unterstützen.
Diese Unterscheidung ist wichtig, weil DeepSeek Harness nicht nur mit DeepSeek-Modellen arbeiten kann. Es unterstützt auch OpenAI, Anthropic und kompatible Endpunkte von Drittanbietern.
Kurz gesagt: Der Harness wird multimodal – selbst dann, wenn das darunterliegende Modell variieren kann.
Claude Code und Codex können jetzt als Subagents arbeiten
Eine weitere interessante Änderung ist, wie DeepSeek Harness andere Coding-Agents behandelt.
Claude Code und Codex können nun als Profile Bundles installiert und als Subagents verwendet werden.
Codex erhält außerdem einen nicht-interaktiven Berechtigungsmodus sowie Support für mehrere benannte Instanzen.
Das macht es leichter, sich Workflows vorzustellen, in denen ein Haupt-Agent die Aufgabe steuert, während mehrere spezialisierte Subagents parallel an verschiedenen Teilen eines Repositories arbeiten.
Das neue reportDelivery-Verhalten verbessert das noch weiter: Ein Subagent kann sein Ergebnis an die übergeordnete Aufgabe zurückmelden, sobald er fertig ist – statt den Parent wiederholt dazu zu zwingen, seinen Status zu prüfen.
Das ist ein wichtiger Shift.
Claude Code und Codex sind nicht unbedingt nur Wettbewerber für DeepSeek Harness. Sie können auch Bestandteile in einer größeren Orchestrierungs-Schicht werden.
Allerdings deuten erste Rückmeldungen von Nutzenden darauf hin, dass Multi-Agent-Workflows nach wie vor zu den eher holprigen Bereichen des Produkts gehören. Die Architektur wirkt vielversprechend, aber DeepSeek Harness ist offiziell noch im Developer-Preview.
Entwickler achten genau auf Token-Kosten
Ein Thema, das in ausländischen Diskussionen häufig auftaucht, ist Token-Nutzung und Cache-Hit-Rate.
Agentic Coding kann extrem große Mengen an Kontext verbrauchen. Der Agent kann wiederholt Repository-Dateien, Tool-Definitionen, frühere Nachrichten, Pläne und Tool-Ausgaben lesen.
Das heißt: Die Effizienz des Harness kann die Kosten direkt beeinflussen.
Einige frühe Nutzer von DeepSeek Harness haben sehr hohe Cache-Hit-Rates während langer Coding-Sessions berichtet – manchmal über 90%. Diese Berichte sind eher anekdotisch als kontrollierte Benchmarks, sie zeigen aber einen wichtigen Punkt.
Wenn du DeepSeek Harness mit Claude Code, Codex, OpenCode oder einer anderen Umgebung vergleichst, reicht es nicht aus, einfach nur die Modellpreise gegenüberzustellen.
Ein sinnvollerer Test wäre, zu vergleichen:
- gesamte Input-Token
- gecachte vs. ungecachete Token
- Output-Token
- Completion-Zeit
- finale Task-Qualität
– mit demselben Repository, demselben Modell und derselben Aufgabe.
Ein günstigeres Modell kann immer noch teuer werden, wenn der umgebende Agent wiederholt unnötigen Kontext sendet.
Ist DeepSeek Harness besser als Claude Code oder Codex?
Noch nicht im universellen Sinne.
Das Community-Feedback bleibt gemischt.
Einige Nutzer sind der Meinung, dass das offizielle Harness von DeepSeek-Modellen konsistentere Ergebnisse liefert. Andere bevorzugen weiterhin Claude Code oder Codex, weil sich ihre Coding-Workflows reifer und berechenbarer anfühlen.
Das dürfte im Moment wahrscheinlich der richtige Blick auf den Markt sein.
Claude Code und Codex sind in erster Linie polierte Coding-Produkte.
DeepSeek Harness versucht, etwas Größeres zu werden: eine programmierbare Agent-Runtime, in der Modelle, Tools, Subagents, Berechtigungen und Workflows alle austauschbar oder erweiterbar sind.
Das gibt Entwickelnden mehr Flexibilität – aber Flexibilität bringt auch mehr Konfiguration und mehr Möglichkeiten, dass etwas „nicht richtig läuft“.
Windows-Nutzer erhalten ein hilfreiches Upgrade
Auch der Windows-Support verbessert sich in rc.8.
DeepSeek Harness unterstützt jetzt persistente PowerShell-Sessions. Die Funktion ist standardmäßig im Minimal-Preset aktiviert.
Zuvor konnte das Verlieren des Shell-Zustands zwischen Befehlen Windows-Workflows frustrierend machen. Entwicklerinnen und Entwickler mussten möglicherweise wiederholt Arbeitsverzeichnisse, Umgebungsvariablen, virtuelle Umgebungen oder lokale Services wiederherstellen.
Persistente Sessions machen solche Workflows deutlich näher an der Nutzung eines normalen Terminals.
Es tauchen zwar noch Windows-spezifische Edge Cases in Community-Diskussionen auf, daher ist das eher eine Verbesserung als ein Zeichen dafür, dass der Windows-Support nun komplett abgeschlossen ist.
Kleinere Fixes, die im Alltag zählen
rc.8 enthält außerdem mehrere Verbesserungen für den Alltag.
Wenn ein Nutzer eine Streaming-Antwort abbricht, kann der bereits generierte Teil nun als Kontext für Folgefragen oder verzweigte Sessions verfügbar bleiben.
Support für OpenAI-kompatible Gateways wurde ebenfalls verbessert – das sollte Entwickelnden helfen, die benutzerdefinierte Modell-Provider oder interne Gateways nutzen.
Das web_search-Tool unterstützt jetzt parallele Anfragen und verkürzt so die Zeit für Research mit mehreren Keywords.
Wer dsh web lokal ausführt, kann außerdem den Browser automatisch öffnen lassen – das entfernt zwar einen kleinen, aber wiederkehrenden Setup-Schritt.
Keine dieser Änderungen ist für sich genommen spektakulär, zusammen machen sie längere Agent-Sessions aber spürbar reibungsloser.
Vor dem Upgrade zurücksichern
Eine Änderung in rc.8 verdient besondere Aufmerksamkeit.
DeepSeek hat den SQLite-Backend optimiert, um die Lese-/Schreibleistung zu verbessern, die Speichermenge zu reduzieren und das Forcen (Forking) von Sessions zu beschleunigen.
Allerdings, das aktualisierte Speicherformat ist nicht mit früheren Versionen kompatibel.
Bestehende Indizes werden nach dem Upgrade neu aufgebaut, und ältere Workspace-Daten migrieren möglicherweise nicht sauber.
Wenn du DeepSeek Harness bereits für sinnvolle Arbeiten nutzt, ist es eine gute Idee, vor dem Upgrade wichtige Sessions oder Workspace-Daten zu sichern.
Das ist außerdem eine Erinnerung daran, dass das Projekt immer noch eine Developer Preview ist. Breaking Changes sind zu erwarten.
DeepSeek behandelt Harness wie ein eigenes Produkt
DeepSeek hat außerdem klarere Branding-Regeln rund um das Projekt veröffentlicht.
Entwickelnde können Produkte als „built on DeepSeek Harness“ oder „compatible with DeepSeek Harness“ beschreiben, aber nicht autorisierte Projekte sollten nicht das vollständige Warenzeichen in ihren Produktnamen verwenden.
DeepSeek empfiehlt, beim Benennen von Ökosystem-Projekten die Abkürzung DSH zu verwenden.
Das klingt vielleicht nach einem kleinen juristischen Detail, sagt aber etwas über die Ambitionen von DeepSeek aus.
Harness wird nach und nach stärker als mehr denn nur ein Side-Project zu den DeepSeek-Modellen positioniert.
Es wird zu seiner eigenen Plattform.
Warum rc.8 wichtig ist
Der spannendste Teil von rc.8 ist nicht das PowerShell-Update, der Bild-Support oder sogar die Subagents.
Es ist die Richtung, auf die es zeigt.
DeepSeek wirkt so, als würde man die Runtime um das Modell herum als erstklassiges Produkt behandeln.
Modelle können ausgetauscht werden. Tools können ergänzt werden. Andere Coding-Agents können zu Subagents werden. Visuelle Inputs können durch denselben Workflow wandern. Sessions können geforkt, neu abgespielt und unabhängig verwaltet werden.
Es gibt jedoch weiterhin viele raue Kanten – insbesondere bei Kompatibilität, Multi-Agent-Zuverlässigkeit, Token-Nutzung und Upgrades von Preview-Versionen.
Daher ist DeepSeek Harness wahrscheinlich nichts, worauf jede Entwicklerin und jeder Entwickler heute direkt den gesamten Workflow umstellen sollte.
Aber es wird zunehmend lohnenswert, es zu testen.
Denn wenn Agent-Systeme komplexer werden, könnte die wichtigste Frage nicht mehr nur heißen: Welches Modell nutzt du?
Sondern: Was läuft rund um dieses Modell?