Mit CometAPI entwickelnEine API für mehrere Modelle erforderlich?Teste den Workflow im Playground und erstelle anschließend einen API-Schlüssel, sobald Modell und Kosten zu deinem Anwendungsfall passen.
DeepSeek Harness lokal installieren: Einrichtung und API-Konfiguration
Richten Sie DeepSeek Harness auf Ihrem Rechner ein, konfigurieren Sie einen API-Schlüssel und überprüfen Sie die Installationsanforderungen. Verstehen Sie die lokale Orchestrierung im Vergleich zur lokalen Inferenz.
TL;DR DeepSeek Harness (dsh) ist die Open-Source-Agent-Laufzeitumgebung von DeepSeek AI, veröffentlicht als Entwickler-Vorschau um den 13. August 2026 unter der MIT-Lizenz. Es folgt dem Prinzip „Modell + Harness = Agent“, wobei jede Fähigkeit (Modelle, Tools, Sessions, Sandboxes, Loops, UI) als austauschbares Cordis-Plugin implementiert ist.
Am schnellsten starten Sie es lokal mit npx @deepseek-ai/dsh web (erfordert Node.js ^22.19 oder ≥24). Dadurch wird eine Weboberfläche unter http://127.0.0.1:3080. gestartet. Sie geben einen DeepSeek- (oder OpenAI-kompatiblen) API-Schlüssel und einen Workspace an. Quell-Builds, Desktop-Apps, Docker, Python SDK und Ollama-Integrationen sind ebenfalls verfügbar. Für produktionsreife Multi-Modell-Anbindung, Zuverlässigkeit und Kostensenkung bei Nutzung des Harness leiten Sie Anfragen über CometAPIs einheitlichen OpenAI-kompatiblen Endpunkt.
Weiterlernen
Diesen Artikel mit der nächsten Entscheidung verknüpfen.
Auf Klarheit, Quellenangabe und aktuelle API-Terminologie geprüft.
Zentrale Erkenntnisse
DeepSeek Harness ist kein Modell — es ist die lokale Laufzeit/Orchestrierung, die Modellen das Agieren auf Dateien, Shells, Tools und Sessions ermöglicht.
Offizieller One-Liner: npx @deepseek-ai/dsh web → öffnet die lokale Weboberfläche auf Port 3080.
Node.js-Anforderung ist strikt: ^22.19.0 oder ≥24.x.
Unterstützt DeepSeek-Modelle (deepseek-v4-flash, deepseek-v4-pro), benutzerdefinierte OpenAI-kompatible Gateways und lokale Modelle über Plugins/Ollama.
Architektur ist vollständig Plugin-basiert (Cordis-Kernel); Modi umfassen Standard, Minimal, Code und Creator.
Rasche Verbreitung: Zehntausende bis über 100.000 GitHub-Sterne innerhalb weniger Tage nach Launch.
Empfehlung für Power-User: in Kombination mit CometAPI (https://www.cometapi.com/) als benutzerdefiniertem Provider für Zugriff auf 500+ Modelle, 20–40 % Kostenvorteil und nur einen API-Schlüssel.
Verwenden Sie stets einen isolierten Workspace; der Agent kann Dateien ändern und Befehle ausführen.
Entwickler-Vorschau-Status bedeutet, dass Breaking Changes zu erwarten sind — für produktionsnahe Experimente Versionen pinnen.
Was ist DeepSeek Harness und warum ist es 2026 wichtig
DeepSeek Harness (dsh) ist eine Open-Source-Agent-Laufzeitumgebung von DeepSeek AI. Unter der MIT-Lizenz als Entwickler-Vorschau veröffentlicht, liegt der Fokus auf Komponierbarkeit: Jede Fähigkeit — Modell-Adapter, Tools, Skills, Sessions, Sandboxes, Storage, Agent-Loops, Scheduling und die UI — existiert als Cordis-Plugin, das per Konfiguration gemountet, demontiert, ausgetauscht oder rekombiniert werden kann. Es gibt faktisch keinen privilegierten Core, der Patches erfordert.
Zentrale Designprinzipien:
Agent = Modell + Harness.
Nachverfolgbare Ereignisströme mit Unterstützung für Fortsetzen, Fork, Suche und Replay.
Mehrere Laufzeitmodi (Standard mit vollem Toolset, Code-/Orchestrierungsmodus, Minimalmodus für Benchmarks, Creator-/Experimentiermodi).
Local-first-Weboberfläche für die interaktive Nutzung plus Headless- und SDK-Optionen für Automatisierung.
Installationshinweise und Community-Spiegel bestätigen die gleichen Kernbefehle.
Wichtiger Hinweis zur Terminologie: „Lokale Bereitstellung“ kann zweierlei bedeuten. Das hier behandelte DeepSeek Harness läuft lokal auf Ihrem Rechner, aber das Standardprojekt deepseek-harness verbindet sich über eine API mit DeepSeek V4-Pro oder V4-Flash. Das bedeutet, dass Harness, Konfiguration, Sessions, Validierung und Client-Logik lokal sein können, während die Modellinferenz normalerweise über DeepSeeks API erfolgt. Wenn Sie wirklich offline mit lokalen Modellgewichten auf Ihrer eigenen GPU inferieren möchten, ist das eine andere Bereitstellungsarchitektur.
Voraussetzungen und Systemanforderungen
Vor der Installation prüfen:
Betriebssysteme: Windows 10+, macOS 10.15+, gängige Linux-Distributionen (x64 oder arm64). Das Python SDK hat zusätzliche Einschränkungen (Linux x64/arm64 oder macOS 14+ arm64).
Node.js: Erforderlich für den Weg über die Weboberfläche. Zielbereich ist ^22.19.0 || >=24.0.0. Mit node --version prüfen. Ungerade Zwischenversionen außerhalb dieses Bereichs werden nicht unterstützt.
Paketmanager: npm/npx (im Lieferumfang von Node). Quell-Builds benötigen pnpm (Installation via npm install -g pnpm).
Git: Benötigt zum Klonen des Quellcodes.
Python (optional): 3.10+ für das offizielle Python SDK.
API-Schlüssel / Endpunkt: Ein DeepSeek-API-Schlüssel von platform.deepseek.com oder ein beliebiger OpenAI-kompatibler Endpunkt + Schlüssel + Modellname.
Hardware: Für das Harness selbst ist keine GPU erforderlich — die Modellinferenz erfolgt remote (oder über einen lokal konfigurierten Provider). Normale Laptop-Ressourcen genügen für Weboberfläche und Orchestrierung.
Netzwerk: Beim ersten Start zum Laden von Paketen erforderlich; danach benötigt die UI nur Modell-API-Aufrufe.
Workspace: Einen isolierten Ordner vorbereiten. Der Agent kann im konfigurierten Workspace lesen, schreiben und Befehle ausführen — weisen Sie niemals produktive oder persönliche Daten ohne Schutzmaßnahmen zu.
Quellen für Anforderungen: offizielle README und mehrere unabhängige Installationsanleitungen kurz nach dem Launch.
Methode 1: Offizieller One-Liner mit npx (für die meisten Nutzer empfohlen)
Dies ist der schnellste und offiziell empfohlene Weg.
Stellen Sie sicher, dass die Node.js-Version die Anforderungen erfüllt.
Öffnen Sie ein Terminal und führen Sie aus:
Bash
npx @deepseek-ai/dsh web
Das Paket wird heruntergeladen (oder der Cache verwendet), startet das Web-UI-Profil und gibt die Listen-Adresse aus — standardmäßig http://127.0.0.1:3080.
Öffnen Sie diese URL im Browser. Akzeptieren Sie ggf. den Entwickler-Vorschau-Hinweis.
Konfigurieren Sie beim ersten Start einen Modell-Provider (Settings → Models), indem Sie Ihren API-Schlüssel einfügen und ein Modell wie deepseek-v4-flash oder deepseek-v4-pro auswählen.
Wählen oder erstellen Sie einen Workspace.
Beginnen Sie mit Aufgaben.
Einen anderen Port verwenden:
Bash
npx @deepseek-ai/dsh web --port 8080
Plattformspezifische One-Liner that stellen außerdem sicher, dass Node vorhanden ist (PowerShell unter Windows mit winget, Homebrew auf macOS, NodeSource auf Debian/Ubuntu usw.).
Vorteile: Kein permanenter Installations-Footprint jenseits des npm-Caches; zieht immer eine aktuelle veröffentlichte Version; einfachstes Onboarding. Nachteile: Benötigt Netzwerk für das initiale Paket; weniger bequem für tiefgehende Quellinspektion oder kundenspezifische Builds.
Methode 2: Aus dem Quellcode installieren und ausführen
Verwenden Sie dies, wenn Sie Cordis-Plugins lesen, einen Commit pinnen, eigene Presets entwickeln oder beitragen möchten.
Bash
git clone https://github.com/deepseek-ai/deepseek-harness.git
cd deepseek-harness
pnpm install
pnpm run build
pnpm dsh web
Die gleiche Weboberfläche erscheint auf dem Standardport. Builds der Entwickler-Vorschau können zwischen Commits brechen; behandeln Sie dies als experimentellen Pfad.
Methode 3: Desktop-Anwendungen (ohne Node-Setup)
Community- und Drittanbieter-Desktop-Wrapper paketieren die Laufzeit, sodass Nutzer Node/pnpm nicht selbst installieren müssen:
Tauri-basierte, schlanke Clients, die eine gebündelte Node-Laufzeit bootstrappen und beim Start das aktuelle Upstream-Harness synchronisieren. Sie laufen auf 127.0.0.1:3080, halten Daten lokal und registrieren dsh-Befehle.
Electron-basierte Pakete mit gepinnten Abhängigkeiten.
Laden Sie Installer über die entsprechenden GitHub-Releases-Seiten herunter (Suche nach „deepseek-harness-desktop“). Beim ersten Start werden die Kernkomponenten heruntergeladen (einige hundert MB). Diese sind bequem für Nicht-Entwickler, aber keine offiziellen DeepSeek-Produkte — prüfen Sie Repository und SHA-Prüfsummen.
Methode 4: Docker-/Container-Bereitstellung
Community-Docker-Images und Compose-Dateien existieren, um die Weboberfläche im Container zu betreiben — oft mit HTTPS-Terminierung via nginx und Unterstützung beliebiger OpenAI-kompatibler Gateways. Typischer Ablauf:
Bash
git clone <docker-repo>
cd <docker-repo>
cp .env.example .env # API-Schlüssel / öffentlichen Host setzen
docker compose up -d --build
Nützlich für LAN-Zugriff, Server oder Umgebungen, in denen Node nicht auf dem Host gewünscht ist. Einige Setups unterstützen eine benutzerdefinierte settings.yaml für Non-DeepSeek-Provider.
Methode 5: Python SDK für programmatische/headless Nutzung
Für unbeaufsichtigte Agents oder Integration in Python-Pipelines:
Führen Sie anschließend die mitgelieferten Beispiele aus oder verwenden Sie die DeepSeekHarness-Klasse in Ihrem eigenen Code gegen einen isolierten Workspace und ein Session-Verzeichnis. Das SDK bringt seine eigene Laufzeit mit und benötigt kein systemweites Node.js.
Methode 6: Ollama-Integration
Ollama bietet einen Komfort-Launcher:
Bash
ollama launch dsh
# oder mit einem spezifischen Modell
ollama launch dsh --model deepseek-v4-flash:cloud
Ollama kann das Paket bei Bedarf installieren und speichert Startkonfigurationen separat. Websuche und Tool-Unterstützung hängen vom gewählten Modell und Ollama-Cloud-Zugriff ab.
Konfiguration von Modellen und Providern (einschließlich CometAPI)
In der Weboberfläche zu Settings → Models wechseln.
Für offizielle DeepSeek-Provider: Schlüssel von platform.deepseek.com einfügen. Übliche Modelle sind deepseek-v4-flash und deepseek-v4-pro.
Für Katalog-Provider (Anthropic, OpenAI, etc.): den „Add provider“-Flow nutzen.
Für benutzerdefinierte / Self-Hosted / Aggregator-Endpunkte: „Add a custom provider“ wählen. Eine permanente Provider ID, Base URL, Protokoll (meist openai-completions), API-Schlüssel (als Umgebungsreferenz oder Wert) und mindestens eine Model-ID angeben.
CometAPI-Empfehlung (für viele produktionsnahe Workflows besonders geeignet) CometAPI ist eine einheitliche KI-Infrastrukturplattform, die 500+ Modelle (einschließlich DeepSeek-Varianten, GPT, Claude, Gemini, Grok u. a.) über einen einzigen OpenAI-kompatiblen Endpunkt bereitstellt: https://api.cometapi.com/v1.
Vorteile bei Verwendung mit DeepSeek Harness:
Ein API-Schlüssel statt Verwaltung mehrerer Provider-Credentials.
Wettbewerbsfähige Preise (gemeldete 20–40 % Ersparnis gegenüber Direktanbietern bei vielen Modellen).
Hohe Verfügbarkeit (99,9 % SLA-Ziel), geringe Medianlatenz und nutzungsbasierte Abrechnung.
Einfacher Modellwechsel für A/B-Tests oder Kostenoptimierung ohne Änderungen am Harness über die Model-ID hinaus.
Drop-in-Kompatibilität: bestehende OpenAI-SDK-Muster funktionieren nach Anpassung von base_url und Schlüssel.
Im Custom-Provider-Formular des Harness:
Base URL: https://api.cometapi.com/v1
Protokoll: openai-completions (oder die entsprechende unterstützte Option)
API-Schlüssel: Ihr CometAPI-Schlüssel
Model-ID: eine beliebige unterstützte Modellzeichenfolge aus dem CometAPI-Modelkatalog
Diese Kombination bewahrt die leistungsfähige lokale Agent-Laufzeit und bietet zugleich flexible, kosteneffiziente, Multi-Vendor-Modellanbindung. Neue Nutzer erhalten typischerweise kostenlose Testguthaben. Dokumentation: https://apidoc.cometapi.com/.
Schlüssel werden Write-only gespeichert (z. B. unter $DSH_HOME/.credentials.yaml); die UI zeigt nur redigierte Bezeichner.
Fehlerbehebung für DeepSeek Harness
DEEPSEEK_API_KEY nicht gefunden
Prüfen:
echo $DEEPSEEK_API_KEY
Unter Windows:
echo $env:DEEPSEEK_API_KEY
Ist die Ausgabe leer, konfigurieren Sie ihn erneut.
400 reasoning_content-Fehler
Dies weist meist auf eine falsche Handhabung des Reasoning-Lebenszyklus hin.
Stellen Sie sicher, dass Ihre Anwendung die relevanten Assistant-Reasoning-Informationen über mehrstufige Thinking-/Tool-Call-Anfragen hinweg bewahrt.
Dies ist eines der Kernprobleme, die das Harness gezielt adressiert.
Kontextlängenfehler
Prüfen:
input tokens + max_tokens
Die dokumentierte harte Obergrenze ist:
1,048,576 tokens
Reduzieren Sie entweder den Eingabekontext oder die angeforderte Ausgabelänge.
Tool-Aufrufe werden während des Streamings fehlerhaft
Gehen Sie nicht davon aus, dass Stream-Chunks in Tool-Reihenfolge eintreffen.
Aggregieren Sie Tool-Call-Deltas nach tool_call.index, wie es der Harness-Vertrag empfiehlt.
Anfragen sind unerwartet teuer
Prüfen:
Thinking‑Modus
Ausgabelänge
Cache‑Hit‑Rate
Stabilität des Prompt‑Präfixes
Modellauswahl
Aktuelle API-Preise
Eine einfache Verbesserung ist oft der Wechsel von Pro zu Flash für Routineaufgaben.
Vergleich der Installations- und Bereitstellungsmethoden
Methode
Benutzerfreundlichkeit
Node erforderlich
Am besten geeignet für
Persistenz / Kontrolle
Typischer Port / Zugriff
Hinweise
npx one-liner
Am höchsten
Ja
Schnelle Tests, die meisten Nutzer
Flüchtig (nur Cache)
3080 (konfigurierbar)
Offiziell empfohlen
Source (pnpm)
Mittel
Ja
Entwicklung, Plugins, Pinning
Volle Quellkontrolle
3080
Erfordert pnpm + Build
Desktop (Tauri/Electron)
Hoch
Nein (gebündelt)
Nicht-technische Nutzer
Lokale Profile & Auto-Update
3080 (intern)
Community‑Pakete
Docker
Mittel
Nein (Container)
Server, LAN, HTTPS
Container-Volumes
Benutzerdefiniert / 443
Community‑Images
Python SDK
Mittel
Nein (gebündelt)
Headless, Automatisierung, Pipelines
Programmatische Sessions
k. A. (standardmäßig keine UI)
Offizielles SDK
Ollama launch
Hoch
Optional
Experimente mit lokalen Modellen
Ollama‑Einstellungen
3080
Integriert sich mit Ollama
Daten zusammengeführt aus offiziellen Docs und Anleitungen nach dem Launch (August 2026).
Fazit und nächste Schritte
DeepSeek Harness bringt eine sauber designte, vollständig Plugin-basierte Agent-Laufzeit auf lokale Rechner — mit nahezu null Reibung über den npx-One-Liner. In Kombination mit flexiblem Modell-Routing — insbesondere über eine einheitliche Plattform wie CometAPI — erhalten Sie sowohl die Leistungsfähigkeit moderner agentischer Coding-Workflows als auch praktische Kontrolle über Kosten, Modellauswahl und Datenlokalität.
Starten Sie heute mit:
npx @deepseek-ai/dsh web
Konfigurieren Sie einen DeepSeek- oder CometAPI-Schlüssel, weisen Sie einen sicheren Workspace zu und erkunden Sie den Standardmodus. Experimentieren Sie anschließend mit dem Minimalmodus für Benchmarks, Custom-Providern zur Kostenoptimierung oder dem Python SDK für Automatisierung.
Für die neuesten offiziellen Anweisungen bevorzugen Sie stets das GitHub-Repository und Dokumentation. Für Multi-Modell-Zuverlässigkeit und Preisvorteile beim Einsatz des Harness: siehe CometAPI und die Dokumentation unter https://apidoc.cometapi.com/.