Anleitung: DeepSeek Harness einrichten

Die meisten Coding-Agenten treffen die Entscheidungen für dich: welches Modell, welche Werkzeuge, welcher Ablauf. DeepSeek Harness dreht das um. Das Projekt fasst seinen eigenen Ansatz in einem Satz zusammen: Alles ist ein Plugin. Modell, Werkzeuge, Oberfläche und das Verhalten des Agenten kannst du einzeln austauschen.

Das kommt an: Das Repository steht inzwischen bei rund 186.000 Sternen und 20.700 Forks auf GitHub, veröffentlicht unter der MIT-Lizenz.

Eine Warnung vorweg

Das Projekt bezeichnet sich selbst als Developer Preview und weist ausdrücklich darauf hin, dass es sich schnell verändert und es Änderungen geben wird, die bestehende Setups brechen.

Für ein Wochenendprojekt oder zum Ausprobieren ist das völlig in Ordnung. Für ein Setup, auf das sich dein Team oder dein Produktivbetrieb verlässt, würde ich noch abwarten. Und falls du diese Anleitung später liest: Prüfe die Befehle gegen das offizielle Repository, bevor du loslegst.

Stand dieser Anleitung: August 2026.

Was du vorher brauchst

	Wofür
Node.js	Harness läuft darauf. Nimm eine aktuelle Version.
DeepSeek-Konto mit API-Schlüssel	Für das Modell und die Websuche.
Etwas Guthaben	Zum Testen reichen wenige Euro.
Optional: Gemini-API-Schlüssel	Nur, wenn du später Bilder verarbeiten willst.

Ein zweiter Zugang für die Websuche ist nicht nötig — die Suche läuft über denselben DeepSeek-Schlüssel.

Schritt 1: Harness starten

Es gibt keinen Installationsschritt im klassischen Sinn. Ein Befehl genügt:

npx @deepseek-ai/dsh web

Das startet die Weboberfläche auf http://127.0.0.1:3080 und öffnet sie direkt im Browser. Wenn du dich per SSH auf einen anderen Rechner verbunden hast, wird stattdessen nur die Adresse ausgegeben, die du dann selbst öffnest.

Wenn du den Befehl häufiger nutzt, kannst du das Paket auch fest installieren und dir das npx sparen:

npm install -g @deepseek-ai/dsh
dsh web

Schritt 2: Schlüssel hinterlegen und Session starten

Deinen DeepSeek-Schlüssel kannst du entweder in der Oberfläche unter den Modell- Einstellungen eintragen oder vorher als Umgebungsvariable setzen:

# Linux und macOS
export DEEPSEEK_API_KEY="dein_schluessel"

# Windows PowerShell
$env:DEEPSEEK_API_KEY="dein_schluessel"

Danach legst du in der Oberfläche einen Workspace an, startest eine Session und wählst dein Modell. Der Workspace ist der Ordner, in dem der Agent arbeiten darf — such ihn bewusst aus. Hier gilt dasselbe wie bei jeder lokalen Testumgebung: Gib einem Agenten keinen Ordner mit echten Zugangsdaten oder Produktivdaten.

Schritt 3: Die erste Aufgabe

Fang mit etwas Kleinem an, das du in dreißig Sekunden selbst überprüfen kannst. Zum Beispiel:

Schreibe einen einfachen Taschenrechner in Python
mit einer Kommandozeilen-Oberfläche.

Harness darf Dateien lesen und schreiben und Befehle im Workspace ausführen. Am Ende liegt die Datei im Ordner, und du bekommst dazu, wie du sie startest.

Interessanter als das Ergebnis ist der Trajectory-Tab. Dort siehst du jeden Schritt des Agenten: welches Werkzeug er aufgerufen hat, wie lange es gedauert hat und wie viele Token geflossen sind. Wenn du wissen willst, warum ein Agent etwas getan hat, schaust du hier nach — und nicht in die Zusammenfassung, die er dir am Ende schreibt.

Schritt 4: Websuche testen

Die Websuche ist schon eingebaut. Formuliere eine Frage, deren Antwort das Modell nicht aus dem Training kennen kann, also etwas mit klarem Datumsbezug:

Suche im Web nach den neuesten Open-Source-Modellen
und fasse die drei wichtigsten zusammen.

Kontrolliere anschließend wieder den Trajectory-Tab. Wenn dort ein Aufruf des Websuche-Werkzeugs auftaucht, hat der Agent wirklich gesucht. Fehlt er, hat das Modell aus dem Gedächtnis geantwortet — und genau dieser Unterschied entscheidet, ob du der Antwort trauen kannst.

Optional: Bilder verstehen mit ModLens

Das Textmodell von DeepSeek kann keine Bilder auswerten. Dafür gibt es das Community-Plugin ModLens, das ein bildfähiges Modell dazwischenschaltet: Es liest das Bild aus und reicht die Beschreibung an DeepSeek weiter. DeepSeek bleibt also das Modell, das denkt — es bekommt nur Augen geliehen.

Installieren:

npx -y @deepseek-ai/dsh plugin --profile web add @liustack/modlens@3.24.0

Danach steht ein zusätzliches Werkzeug bereit, und im Modell-Auswahlmenü tauchen Varianten mit dem Zusatz (modlens vision) auf. Genau eine davon musst du auswählen, sonst passiert beim Hochladen eines Bildes nichts.

Als Backend empfiehlt das Projekt einen kostenlosen Gemini-Schlüssel aus dem Google AI Studio — damit dauert eine Bilderkennung etwa fünf bis zehn Sekunden. Einrichten:

npm install -g @liustack/modlens
modlens config set gemini-api.apiKey "dein_gemini_schluessel"
modlens config set provider gemini-api
modlens doctor

modlens doctor ist der Test: Es zeigt dir an, welcher Anbieter aktiv und einsatzbereit ist. Wer gar keinen Schlüssel anlegen möchte, kann stattdessen die Antigravity CLI als kostenlosen Weg nutzen; wer ein eigenes Modell betreibt, hängt jeden Endpunkt an, der das OpenAI-Format spricht.

Andere Modelle anbinden

Der eigentliche Punkt von Harness ist, dass du nicht an DeepSeek gebunden bist. In den Einstellungen unter Models trägst du weitere Anbieter mit deinen eigenen Zugangsdaten ein — oder einen eigenen Endpunkt, wenn du ein selbst gehostetes Modell nutzt. Dafür gibst du Basis-URL, API-Typ, Zugangsdaten und Modellnamen an.

Der Wechsel gilt ab der nächsten Anfrage, ein Neustart ist nicht nötig. Praktisch, wenn du zwei Modelle an derselben Aufgabe vergleichen willst.

Häufige Fehler

• Kein Guthaben aufgeladen. Ein API-Schlüssel allein reicht nicht, die Anfragen laufen sonst ins Leere.
• Falsches Modell für Bilder gewählt. Ohne die Variante mit (modlens vision) bleibt das hochgeladene Bild wirkungslos.
• Dem Ergebnis vertrauen, ohne den Trajectory-Tab zu öffnen. Gerade bei Recherchen ist das der einzige Weg zu sehen, woher eine Aussage stammt.
• Den Agenten im falschen Ordner arbeiten lassen. Der Workspace sollte nichts enthalten, dessen Verlust oder Veröffentlichung weh tut.

Kurz zusammengefasst

Ein Befehl, ein API-Schlüssel, und du hast einen Agenten laufen, den du Stück für Stück umbauen kannst. Genau das ist die Stärke: Du fängst mit dem Standard-Setup an und tauschst später einzelne Teile aus, statt dich von Anfang an festzulegen.

Der Preis dafür ist der Entwicklungsstand — verlass dich noch nicht darauf, dass dein Setup nächste Woche unverändert funktioniert.

Der Quellcode und die offizielle Dokumentation liegen auf GitHub.