DeepSeek Harness nutzen: Installation, Einrichtung und der erste Agent-Lauf

Name

Soren Atelier

Aktualisiert am 26.8.2026

Die Antwort in einem Befehl: Wenn Node.js installiert ist, startet das hier DeepSeek Harness samt Web-UI:

npx @deepseek-ai/dsh web

Der Server läuft auf http://127.0.0.1:3080 und öffnet deinen Browser. Von dort aus: Settings → Models, um einen API-Key einzufügen, Choose workspace, um auf einen Projektordner zu zeigen, und dann die erste Aufgabe. Das ist der komplette Loop. Der Rest dieses Guides geht jeden Schritt genauer durch, erklärt die vier Runtime-Modi und das Plugin-Ökosystem — letzteres ist der eigentliche Grund, warum das Projekt zwei Wochen nach dem Release 196k GitHub-Stars überschritten hat.

Alle Befehle und Einstellungen in diesem Guide stammen aus dem offiziellen README, von deepseek.com/harness und aus der Developer-Dokumentation, abgerufen am 26. August 2026. DeepSeek Harness ist eine Developer Preview, und das Team weist ausdrücklich auf laufende Breaking Changes hin — falls etwas hier nicht mehr passt, gilt das Repo-README (opens in a new tab) mehr als jedes Tutorial, dieses eingeschlossen.

Was DeepSeek Harness tatsächlich ist

DeepSeek Harness (dsh) ist DeepSeeks quelloffenes Agent-Framework, veröffentlicht am 13. August 2026 unter MIT-Lizenz. Das Design-Motto lautet „Everything is a Plugin“, und das ist wörtlich gemeint: Modelle, Tools, Skills, Sessions, Sandboxes, Storage, Agent-Loops, Scheduling und sogar die UI sind allesamt Plugins, die auf Cordis (opens in a new tab) laufen, einer quelloffenen Plugin-Runtime. Jedes dieser Teile lässt sich per Konfiguration austauschen oder neu zusammensetzen, ohne den Framework-Quellcode anzufassen.

Aus dieser Architektur folgen zwei praktische Konsequenzen:

• Es ist ab Werk ein Coding-Agent — Dateibearbeitung, Shell, Suche und Workflow-Planung sind im Standard-Modus enthalten, du kannst es also so nutzen wie Claude Code oder OpenCode.
• Es ist gleichzeitig ein Chassis für eigene Agents — wenn du eine andere Sandbox, einen anderen Modell-Router oder einen anderen Loop willst, ersetzt du genau dieses eine Plugin, statt eine ganze Anwendung zu forken.

Alles, was das Modell sieht, wird in ein Append-only-Session-Log geschrieben: System-Prompts, Reasoning, Tool-Calls und -Ergebnisse, Subagent-Scheduling, jede Kontext-Injektion. Wer schon einmal versucht hat, einen Agenten zu debuggen, der sich seltsam verhalten hat, und dabei keinerlei Aufzeichnung darüber hatte, was er eigentlich gesehen hat, versteht anhand dieses einen Features einen großen Teil der frühen Traktion des Projekts.

Schritt 1 — Installation

Voraussetzung: Node.js. Der offizielle Quick Start setzt ein funktionierendes node/npx im PATH voraus, mehr nicht.

Weg A — npm (empfohlen für den ersten Kontakt):

npx @deepseek-ai/dsh web

npx lädt das Paket beim ersten Aufruf herunter, der erste Start dauert also spürbar länger als die späteren. Mit --no-open startest du den Server ohne Browserfenster, etwa auf einer Remote-Maschine:

npx @deepseek-ai/dsh web --no-open

Weg B — aus dem Quellcode (wenn du Plugins bauen oder main verfolgen willst):

git clone https://github.com/deepseek-ai/deepseek-harness.git
cd deepseek-harness
pnpm install
pnpm run build
pnpm dsh web

Welchen Weg solltest du wählen?

Schritt 2 — Modell verbinden

Die Web-UI startet ohne konfiguriertes Modell. Damit sie nutzbar wird:

1. Öffne Settings → Models.
2. Füge Credentials von platform.deepseek.com (opens in a new tab) ein (oder von einem anderen unterstützten Anbieter — die Models-Einstellungsseite deckt alternative Provider ab).
3. Speichern. Laut offizieller Doku ist die Modell-Route sofort nutzbar, ohne Server-Neustart.

Weil Modelle genauso Plugins sind wie alles andere, ist die Anbieterwahl eine Konfigurations- und keine Installationsentscheidung. Das ist relevant, wenn dein Team sich heute auf einen Anbieter festlegt, sich die Option auf ein späteres Umrouten aber offenhalten will — der Sinn der Harness-Architektur ist genau, dass dieses Umrouten ein Config-Edit ist.

Schritt 3 — Workspace wählen und erste Aufgabe starten

1. Klicke in der Web-UI auf Choose workspace und füge ein Projektverzeichnis hinzu.
2. Starte eine Session.
3. Gib ihr eine lesende erste Aufgabe, bevor du sie etwas ändern lässt. Der Vorschlag aus dem offiziellen Quickstart ist ein guter:

„Fasse dieses Repository zusammen und identifiziere seine wichtigsten Packages“

Der Agent beherrscht Dateioperationen, Befehlsausführung, Task-Delegation und Workflow-Planung, jeweils mit Freigabe-Abfragen vor Aktionen. Behandle die erste Session als Kalibrierungslauf: Du prüfst, ob der richtige Workspace gelesen wird, ob die Freigabe-Abfragen erscheinen und ob das Session-Log festhält, was passiert ist — bevor du irgendetwas Destruktives erlaubst. Dieselbe Disziplin empfehlen wir für jeden Terminal-Agenten (das entsprechende Ritual dort beschreibt How to Use Codex).

Die vier Runtime-Modi und wann welcher passt

DeepSeek Harness bringt vier Runtime-Presets mit. Diese Tabelle ist die Entscheidung, die die meisten Tutorials überspringen:

Ein nützliches Denkmodell: Standard ist zum Nutzen des Agenten da, Creator zum Verändern des Agenten, Minimal zum Messen des Modells. Wenn du beurteilen willst, ob DeepSeeks Modelle für deine Workload gut genug sind, ist der Minimal-Modus der ehrliche Testweg — das Harness hört auf zu helfen, und du siehst das nackte Modell.

Plugins: hier liegt der eigentliche Hebel

Das Plugin-Ökosystem wächst schneller als bei jedem vergleichbaren Agent-Framework, das wir verfolgt haben. Stand 26. August 2026 listet das Topic dsh-plugin auf GitHub (opens in a new tab) 11.944 öffentliche Repositories — zwei Wochen nach dem Release.

Ein Starterpaket, das man kennen sollte, nach aktueller Star-Zahl:

Discovery-Konvention: Plugins markieren sich mit dem Topic dsh-plugin auf GitHub, diese Topic-Seite ist derzeit also das, was einem Paketindex am nächsten kommt. Rechne mit Bewegung — Star-Zahlen in einem zwei Wochen alten Ökosystem messen Aufmerksamkeit, nicht Reife. Sieh dir die Issues eines aktiv gepflegten Plugins an, bevor du es in etwas einbaust, das dir wichtig ist.

Was die offizielle Doku noch nicht abdeckt (ehrliche Lücken)

Das hier ist eine Developer Preview, und die Dokumentation ist an einigen Stellen dünn. Zum Zeitpunkt dieses Artikels:

• Die Quickstart-Seite verweist für die Installation auf das README — wenn ein Schritt hier und ein Schritt in der Doku sich widersprechen, ist das README die Wahrheit.
• Die Formate der Konfigurationsdateien sind unterdokumentiert. Das Modell-Setup läuft über die Web-UI (Settings → Models); wenn du dateibasierte, reproduzierbare Konfiguration brauchst, wirst du Plugin-Quellcode oder das README unter apps/cli für die CLI-Modi lesen müssen.
• Für das Harness selbst existiert keine Pricing-Seite — das Framework ist MIT-lizenziert und kostenlos; deine Kosten sind die der Modell-API, die du anbindest (DeepSeeks Plattform-Preise oder die deines anderen Anbieters).
• Breaking Changes sind angekündigt, nicht bloß möglich. Wenn du in diesem Monat etwas Dauerhaftes darauf baust, pinne Versionen.

Eine Troubleshooting-Matrix haben wir in diesem Guide bewusst weggelassen: Die Fehlerbilder einer zwei Wochen alten Preview ändern sich wöchentlich, und veraltete Fehlerlösungen aus Tutorials zu kopieren richtet mehr Schaden an, als es verhindert (eine Lektion, die das OpenCode-Ökosystem bereits gelernt hat). Wenn du auf einen Fehler stößt, sind die GitHub Discussions des Repos und der Discord des Projekts die nützlichen Wege.

Wo DeepSeek Harness in der aktuellen Agent-Landschaft steht

Wenn du zwischen Agents wählst, statt dich auf diesen einen festzulegen, die Kurzfassung:

• DeepSeek Harness optimiert auf Rekomponierbarkeit — jedes Teil austauschbar, alles inspizierbar, MIT-lizenziertes Chassis.
• Produkte im Stil von Claude Code / Codex optimieren auf eine polierte, meinungsstarke End-to-End-Erfahrung. Unser Überblick über AI-Coding-Tools 2026 deckt dieses Feld ab, und Best Vibe Coding Tools den breiteren Markt.
• Runtime-zentrierte Frameworks wie Hermes Agent besetzen ein ähnliches „Runtime selbst besitzen“-Terrain — der Architekturvergleich in Hermes Agent vs OpenClaw gilt hier fast unverändert, wobei dsh klar auf der Runtime-Seite steht.
• Hintergrund zum Unternehmen DeepSeek und seinen Modellen findest du in DeepSeek vs Other Chinese LLMs.

Eine Abgrenzung sei ausdrücklich genannt: DeepSeek Harness ist ein allgemeiner Coding-Agent. Wenn deine tägliche Arbeit aus Jupyter-Notebooks und DataFrames besteht statt aus Repositories, passt ein notebook-nativer Agent, der direkt auf dem Kernel-Zustand arbeitet, besser, als einen Repo-Agenten auf .ipynb-JSON loszulassen — genau für dieses Problem ist RunCell (opens in a new tab) gebaut, und den Unterschied zwischen Repo-Agents und Notebook-Agents behandelt Jupyter AI RunCell.

FAQ

Related Guides

• How to Use Codex
• Oh My OpenCode und OpenCode: Installation, Setup und Fixes
• Best AI Coding Tools in 2026
• Best Vibe Coding Tools
• Hermes Agent vs OpenClaw
• DeepSeek vs Other Chinese LLMs