DeepSeek Harness: Semuanya adalah Plugin untuk Agen AI
Irfan Mulyana
August 22, 2026 5:24 pm
.
8 min read
Verdict Cepat: DeepSeek Harness Mengubah Cara Melihat Agen AI
DeepSeek Harness (dsh) adalah agent harness open source dari DeepSeek AI yang rilis developer preview pada 13 Agustus 2026. Filosofinya sederhana tapi berani: semuanya adalah plugin. Alih-alih menempel semua kemampuan ke satu program raksasa, dsh memecah tiap bagian agen menjadi plugin yang bisa dipasang, diganti, dan dilacak. Saya menilai ini salah satu lompatan paling menarik dalam ekosistem AI coding sepanjang tahun ini, dan artikel ini akan mengupas kenapa arsitektur tersebut penting bagi developer, desainer, dan kreator yang mulai menyentuh agen AI.
Apa Itu DeepSeek Harness?
DeepSeek Harness adalah kerangka kerja untuk membangun agen AI yang fokus pada coding dan workflow. Berbeda dari chatbot biasa, harness ini dirancang sebagai fondasi yang fleksibel. Repositori resminya ada di GitHub dengan lisensi MIT, dan seluruhnya ditulis dalam TypeScript. Yang membuatnya menonjol adalah pendekatan modular yang jarang dipakai proyek sebesar ini.
Pada dasarnya, dsh menyediakan lapisan yang menghubungkan model bahasa besar dengan alat, memori, dan antarmuka. Developer tidak perlu menulis ulang semuanya dari nol. Cukup memasang plugin yang dibutuhkan. Pendekatan ini relevan untuk siapa saja yang ingin membangun asisten coding pribadi, agen riset, atau otomatisasi workflow tanpa harus memahami detail internal setiap komponen.
Menariknya, proyek ini naik sangat cepat di GitHub. Dalam hitungan hari setelah rilis preview, repositorinya menembus ratusan ribu star. Saya mengikuti pergerakannya dan jelas terlihat bahwa komunitas merespons dengan antusias. Kombinasi nama besar DeepSeek dan filosofi yang mudah dipahami membuat proyek ini layak dipelajari lebih dalam.
Filosofi Semuanya adalah Plugin
Konsep inti dsh adalah menjadikan setiap kemampuan agen sebagai plugin. Model, alat, keterampilan, sesi, sandbox, penyimpanan, loop, penjadwalan, hingga UI semuanya berupa plugin. Fondasi ini dibangun di atas sistem plugin bernama Cordis. Dengan begitu, pengembang bisa mengganti atau memperluas semua kemampuan tanpa menyentuh kode inti. Penjelasan resmi tentang desain ini bisa dibaca di halaman developer preview DeepSeek Harness.
Bayangkan ingin memakai model yang berbeda untuk tugas yang berbeda. Di sistem konvensional, hal itu sering membutuhkan banyak perubahan. Dengan dsh, cukup memasang plugin model yang sesuai. Ingin menambah sandbox keamanan baru? Pasang plugin sandbox. Ingin mengubah cara agen berinteraksi dengan pengguna? Ganti plugin UI.
Filosofi ini membawa dampak besar pada cara berpikir. Alih-alih memikirkan agen sebagai satu produk utuh, developer mulai memikirkan agen sebagai komposisi plugin. Pendekatan ini membuat proyek lebih mudah diuji, dirawat, dan dibagikan. Saya rasa inilah alasan utama proyek ini cepat diterima komunitas.
Setiap Eksekusi Dapat Dilacak
Satu janji yang dipegang teguh oleh dsh adalah setiap proses dapat dilacak. Harness ini menyimpan log sesi yang bersifat append-only. Sistem prompt, reasoning, panggilan alat, hasil, penjadwalan subagent, hingga injeksi konteks tercatat rapi. Developer bisa melihat seluruh jejak dari satu sesi kerja.
Fitur ini sangat berguna untuk debugging. Ketika agen melakukan sesuatu yang tidak sesuai, tidak perlu menebak-nebak. Cukup buka log dan lihat langkah demi langkah apa yang terjadi. Ada tampilan trajectory yang memperlihatkan alur kerja secara visual. Sesi bahkan bisa dilanjutkan, di-fork, dicari, dan diputar ulang dari event stream yang sama.
Bagi tim yang serius membangun agen produksi, kemampuan audit seperti ini sangat berharga. Saya sering melihat tim kesulitan menjelaskan mengapa agen mengambil keputusan tertentu. Dengan traceability bawaan, masalah tersebut jauh lebih mudah diselesaikan.
Mode Runtime yang Fleksibel
DeepSeek Harness menyediakan beberapa mode runtime untuk kebutuhan berbeda. Mode Standard memberi akses penuh ke perangkat alat. Mode Code memungkinkan kode yang dihasilkan model untuk mengorkestrasi panggilan alat, dengan dukungan Code Mode SDK. Mode Minimal hanya menyediakan shell dan editor file, cocok untuk benchmarking. Ada juga Mode Creator untuk menguji plugin secara langsung.
Keberagaman mode ini membuat dsh cocok untuk banyak skenario. Developer yang ingin eksperimen cepat bisa mulai dari Mode Standard. Tim yang mengukur performa model bisa memakai Mode Minimal agar variabel tetap terkendali. Pengembang plugin bisa memanfaatkan Mode Creator untuk iterasi cepat tanpa mengganggu produksi.
Untuk memulai, cukup jalankan perintah npx @deepseek-ai/dsh web lalu buka antarmuka web di http://127.0.0.1:3080. Proses setup yang singkat ini menjadi nilai plus bagi pemula yang baru mencoba agen AI.
Perbandingan: DeepSeek Harness vs Pendekatan Lain
Agar lebih mudah memahami posisi dsh, berikut perbandingan singkat dengan pendekatan agen AI yang umum dipakai.
| Aspek | DeepSeek Harness | Harness Monolitik | Bot Chat Biasa |
|---|---|---|---|
| Arsitektur | Semua berupa plugin (Cordis) | Satu program dengan semua fitur | Terbatas pada satu antarmuka |
| Kustomisasi | Tinggi, tiap bagian bisa diganti | Terbatas, sulit mengubah inti | Sangat terbatas |
| Traceability | Append-only session log, bisa replay | Bervariasi, sering manual | Minim, hanya riwayat chat |
| Kompatibilitas Model | Mendukung banyak provider | Tergantung vendor | Biasanya satu model |
| Lisensi | MIT, open source | Bervariasi, kadang proprietary | Umumnya proprietary |
| Cocok Untuk | Developer yang suka fleksibilitas | Tim yang mau solusi cepat | Pengguna akhir |
Tabel di atas menunjukkan bahwa dsh unggul dalam fleksibilitas dan keterbukaan. Namun, pendekatan lain tetap punya tempat. Harness monolitik sering lebih mudah dipakai untuk proyek sederhana. Bot chat biasa tetap ideal untuk interaksi santai. Pilihan terbaik selalu bergantung pada kebutuhan spesifik.
Kesalahan Umum Saat Mulai Menggunakan DeepSeek Harness
Berdasarkan pengamatan saya, ada beberapa kesalahan yang sering terjadi saat developer baru mencoba dsh. Menghindari kesalahan ini akan menghemat waktu dan tenaga.
Kesalahan pertama adalah langsung memasang terlalu banyak plugin. Karena semuanya berbasis plugin, godaan untuk memasang semuanya sangat besar. Akibatnya, sistem menjadi kompleks dan sulit di-debug. Solusinya, mulai dari plugin inti dulu, lalu tambahkan satu per satu sesuai kebutuhan.
Kesalahan kedua adalah mengabaikan mode runtime. Banyak pengguna memakai Mode Standard untuk segala hal, padahal Mode Minimal lebih cocok untuk menguji performa model secara jujur. Pahami perbedaan tiap mode sebelum memutuskan mana yang dipakai.
Kesalahan ketiga adalah tidak memanfaatkan fitur traceability. Log sesi yang lengkap adalah aset besar, tetapi sering diabaikan. Biasakan membuka tampilan trajectory setiap kali agen berperilaku aneh. Informasi di dalamnya sering kali sudah cukup untuk menemukan akar masalah.
Kesalahan terakhir adalah mengabaikan aspek keamanan sandbox. dsh mendukung sandboxing seperti Landlock di Linux, Seatbelt di macOS, dan restricted-token runner di Windows. Jangan pernah menjalankan agen tanpa sandbox yang tepat, terutama jika agen berinteraksi dengan sistem file dan jaringan.
Selain kesalahan teknis, ada juga kesalahan pola pikir. Beberapa orang mengira dsh bisa langsung dipakai tanpa memahami konsep plugin. Padahal, memahami arsitektur dasar sangat membantu. Luangkan waktu untuk membaca dokumentasi arsitektur dan mencoba plugin sederhana terlebih dahulu sebelum membangun sesuatu yang kompleks. Pendekatan bertahap ini membuat proses belajar jauh lebih mulus.
Dukungan Model dan Integrasi
Salah satu keunggulan dsh adalah sifatnya yang model-agnostic. Katalog provider mencakup Anthropic, OpenAI, AWS Bedrock, Azure, Google Gemini Enterprise Agent Platform, endpoint DeepSeek, hingga gateway kustom yang kompatibel dengan OpenAI. Fleksibilitas ini membuat pengguna tidak terikat pada satu vendor.
dsh juga menyediakan dua subagent provider untuk mendelegasikan tugas ke Claude Code dan OpenAI Codex, meski keduanya nonaktif secara default. Ada juga dukungan untuk bridge yang menjalankan hooks.json dari Claude Code atau Codex. Ini memudahkan transisi bagi tim yang sudah terbiasa dengan alat tersebut.
Selain itu, dsh mendukung MCP client dan Agent Client Protocol. Pengguna bisa membaca AGENTS.md dan CLAUDE.md untuk memberi konteks pada agen. Integrasi yang luas ini menjadikan dsh pilihan menarik untuk lingkungan kerja yang beragam.
Siapa yang Perlu Menggunakan DeepSeek Harness
DeepSeek Harness paling bermanfaat bagi developer yang ingin membangun agen AI khusus. Jika Anda sering menulis skrip otomatisasi, membangun asisten internal, atau bereksperimen dengan alat coding berbasis AI, dsh memberi fondasi yang solid. Sifatnya yang open source juga membuat tim bisa memodifikasi sesuai kebutuhan.
Di sisi lain, pengguna yang hanya ingin chat dengan AI tidak perlu menggunakan dsh. Untuk kebutuhan tersebut, chatbot siap pakai sudah cukup. dsh menuntut pemahaman dasar tentang plugin dan konsep harness, sehingga lebih cocok untuk mereka yang nyaman dengan terminal dan kode.
Konteks yang Lebih Luas: Harness dan Ekosistem AI
Munculnya DeepSeek Harness tidak bisa dilepaskan dari tren besar dalam ekosistem AI. Belakangan ini, banyak proyek yang menekankan pentingnya harness, bukan sekadar model. Ide utamanya, cara agen diarahkan dan diorkestrasi sering lebih menentukan hasil daripada model yang dipakai. Artikel tentang harness untuk agen AI sudah membahas pendekatan tersebut secara umum, dan dsh menjadi contoh konkret yang memperkuat argumen ini.
Bagi yang baru mengenal agen AI, memahami perbedaan antara model dan harness itu penting. Model adalah otak yang memproses bahasa. Harness adalah kerangka yang mengatur bagaimana otak itu dipakai, diberi alat, dan dipantau. DeepSeek Harness fokus pada bagian kedua, dan melakukannya dengan cara yang sangat terbuka. Ulasan tentang pratinjau developer DeepSeek Harness juga menyoroti keunggulan pendekatan ini.
Kita juga melihat banyak developer yang membandingkan berbagai model coding open weight. dsh hadir sebagai lapisan yang bisa dipakai bersama model apa pun, sehingga perbandingan tersebut menjadi lebih relevan. Anda bisa memakai dsh untuk menguji model mana yang paling cocok untuk tugas tertentu, tanpa terikat pada satu vendor.
Kesimpulan: Masa Depan Agen AI yang Modular
DeepSeek Harness menunjukkan arah baru dalam membangun agen AI. Dengan filosofi semuanya adalah plugin, dsh menawarkan fleksibilitas, keterbukaan, dan traceability yang jarang ditemukan bersamaan dalam satu proyek. Lisensi MIT dan dukungan banyak model membuatnya mudah diadopsi oleh berbagai kalangan.
Saya menyarankan siapa pun yang serius dengan AI coding dan otomatisasi workflow untuk mencoba dsh. Mulai dari Mode Standard, eksplorasi mode lain, dan manfaatkan fitur pelacakan untuk memahami perilaku agen. Seiring proyek ini terus berkembang, pengaruhnya pada ekosistem agen AI kemungkinan akan semakin besar.
Jika Anda tertarik mendalami topik terkait, baca panduan tentang context engineering untuk vibe coding, atau panduan tentang menjalankan DeepSeek lokal dengan Ollama. Keduanya memberi konteks tambahan yang berguna. Untuk memahami cara kerja agen coding di terminal, artikel tentang Claude Code CLI juga layak dibaca. Silakan bagikan pengalaman Anda di kolom komentar di bawah.